論文の概要: About the Influence of Workflow Topology on Task Intensity Prediction through Graph Learning

• arxiv url: http://arxiv.org/abs/2609.39481v1
• Date: Wed, 30 Sep 2026 10:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.588178
• Title: About the Influence of Workflow Topology on Task Intensity Prediction through Graph Learning
• Title（参考訳）: グラフ学習によるタスクインテンシティ予測におけるワークフロートポロジの影響について
• Abstract要約: 本稿では,タスク強度予測におけるグラフトポロジの影響を体系的に定量化する。 グラフネイティブモデルが最も精度が高く,CPUとメモリの予測において絶対誤差が低いことを示す。
• 参考スコア（独自算出の注目度）: 3.536257457975262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient resource provisioning for large-scale workflows on cloud infrastructures is a critical performance engineering challenge. These workflows are often structured as directed acyclic graphs (DAGs), where under-provisioning can cause critical bottlenecks and over-provisioning leads to unnecessary costs. Accurate, task-level prediction of resource intensity (e.g., CPU load and memory usage) is essential for mitigating these issues. While task-level features are commonly used for prediction, the performance impact of the workflow's overall topological structure is often overlooked or assumed. The central question of our work is: To what extent does what part of the DAG topology influence task-level resource intensity, and what is the most effective way to model this influence? This paper presents a comprehensive benchmark to systematically quantify the impact of graph topology on task intensity prediction. We evaluate and compare a spectrum of modeling approaches. Our findings demonstrate that topology is a critical feature for accurate prediction. Models incorporating important topological information, even through simple handcrafted features, significantly outperform baseline models. We show that graph-native models provide the highest accuracy, achieving low mean absolute errors for both CPU and memory predictions, and can still be combined with simple topological features that they do not learn for better performance.
• Abstract（参考訳）: クラウドインフラストラクチャ上の大規模なワークフローのための効率的なリソースプロビジョニングは、パフォーマンスエンジニアリングの重要な課題である。 これらのワークフローは、しばしば有向非巡回グラフ(DAG)として構成される。 これらの問題を緩和するためには、リソース強度の正確でタスクレベルの予測(CPU負荷やメモリ使用量など)が不可欠です。 タスクレベルの機能は一般的に予測に使用されるが、ワークフロー全体のトポロジ的構造のパフォーマンスへの影響はしばしば見過ごされ、想定される。 DAGトポロジのどの部分がタスクレベルのリソース強度にどの程度影響し、この影響をモデル化するための最も効果的な方法は何ですか? 本稿では,タスク強度予測におけるグラフトポロジの影響を体系的に定量化するための総合ベンチマークを提案する。 我々は、モデリングアプローチのスペクトルを評価し、比較する。 以上の結果から,トポロジは正確な予測に重要であることが示唆された。 単純な手工芸品でも重要なトポロジ情報を組み込んだモデルは、ベースラインモデルよりも大幅に優れている。 グラフネイティブモデルが最も精度が高く、CPUとメモリの予測において平均絶対誤差が低いことを示し、パフォーマンス向上のために学習しない単純なトポロジ的特徴と組み合わせることができる。

関連論文リスト

• AbstainGNN: Teaching Graph Neural Networks to Abstain for Graph Classification [56.26852966986448]
  AbstainGNNはグラフ分類のための新しい理論駆動のフレームワークである。 予測関数と禁忌関数の両方を明示的にモデル化し、グラフ構造情報の有効利用を可能にする。 5つのベンチマークデータセットの実験によると、AbstainGNNは既存の禁忌法より優れている。
  論文  参考訳（メタデータ） (2026-05-29T03:21:14Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Towards Graph Foundation Models: A Study on the Generalization of Positional and Structural Encodings [36.58861528662219]
  位置的および構造的符号化(PSE)がグラフニューラルネットワーク(GNN)に統合された 本稿では,様々なグラフデータセット間での学習可能なPSEの微調整効率,サンプルサイズによるスケーラビリティ,一般化,能力について検討する。
  論文  参考訳（メタデータ） (2024-12-10T10:58:47Z)
• Characterizing the Influence of Topology on Graph Learning Tasks [47.48010635921621]
  グラフニューラルネットワーク(GNN)は、トポロジと組み合わせて効率的な表現を生成することで、幅広いタスクにおいて顕著な成功を収めている。 本稿では,グラフデータのトポロジ情報と下流タスク目標との整合度を測定することで,グラフトポロジの影響を特徴づける計量TopoInfを提案する。
  論文  参考訳（メタデータ） (2024-04-11T06:04:06Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Generalizable Error Modeling for Human Data Annotation: Evidence From an Industry-Scale Search Data Annotation Program [0.0]
  本稿では,検索関連アノテーションタスクにおける潜在的なエラーを検出するために訓練された予測誤差モデルを提案する。 そこで本研究では,中程度のモデル性能(AUC=0.65-0.75)で誤差を予測できることを示す。 本稿では,高い予測誤差確率のタスクを優先することで,修正されたアノテーションエラーの量を大幅に増加させるという,監査の文脈におけるモデルの有用性を実証する。
  論文  参考訳（メタデータ） (2023-10-08T21:21:19Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。