論文の概要: TRACE: Tackling Real-World Resource Assignment Problems via Agentic Heuristic Design

• arxiv url: http://arxiv.org/abs/2610.01887v1
• Date: Thu, 01 Oct 2026 15:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.229684
• Title: TRACE: Tackling Real-World Resource Assignment Problems via Agentic Heuristic Design
• Title（参考訳）: TRACE:エージェントヒューリスティック設計による実世界のリソース割り当て問題に対処
• Abstract要約: 動的リソース割り当て — タスクストリームを異種処理ノードにリアルタイムに割り当てる — は、現代のコンピューティングインフラストラクチャのバックボーンである。 本稿では,進化的AHDループとエージェント知識抽出を結合したTRACEを提案する。 TRACEは、リソース割り当て問題において最先端のAHDメソッドを一貫して上回り、2%以上のオーバーヘッドで監査可能なリソースを得る。
• 参考スコア（独自算出の注目度）: 12.936419360138045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic resource assignment, the real-time allocation of task streams to heterogeneous processing nodes, is the backbone of modern computing infrastructure. While learning-based schedulers excel in research, industrial deployments still rely on hand-written rules that operators can read, audit, and execute within tight latency budgets. LLM-based Automatic Heuristic Design (AHD) promises to automate writing such rules. However, existing AHD frameworks were developed for combinatorial problems fully specified to the LLM, and they learn only from a scalar fitness score. In real systems, the behaviour that determines a good heuristic, such as processor speeds or power consumption, is unknown a priori: the score reveals which heuristic performs better, but not why. This missing information is recorded in the system logs that every evaluation produces. Exploiting it is non-trivial: logs are massive and noisy, the relevant signals depend on the objective, and their content and format vary across hardware and software stacks, so they can neither be fed to an LLM as is nor processed by a fixed parser. We propose TRACE, which couples an evolutionary AHD loop with an agentic knowledge-extraction workflow. A Reasoner agent analyzes the log schema in light of the objective and formulates hypotheses about the system dynamics; a Coder agent writes and executes schema-specific code to test them, producing insights or executable tools for the evolved heuristics. We evaluate TRACE on a synthetic cloud benchmark and a 5G vRAN scenario built from industrial testbed measurements and operational traffic traces. TRACE consistently outperforms state-of-the-art AHD methods in resource assignment problems and yields more auditable heuristics at under 2% overhead.
• Abstract（参考訳）: 動的リソース割り当て — タスクストリームを異種処理ノードにリアルタイムに割り当てる — は、現代のコンピューティングインフラストラクチャのバックボーンである。 学習ベースのスケジューラは研究に優れていますが、産業展開は依然として手書きのルールに依存しています。 LLMベースのAutomatic Heuristic Design (AHD)は、このようなルールの記述を自動化することを約束する。 しかし、既存のAHDフレームワークはLLMに完全に規定された組合せ問題に対して開発され、スカラー適合スコアからのみ学習される。 実際のシステムでは、プロセッサの速度や消費電力などの優れたヒューリスティックを決定する動作は、先入観として知られておらず、スコアはどのヒューリスティックが優れているかを示すが、その理由ではない。 この欠落した情報は、すべての評価が生成するシステムログに記録される。 ログは巨大で騒々しく、関連する信号は目的に依存し、その内容とフォーマットはハードウェアやソフトウェアスタックによって異なるため、固定パーサで処理されたりしない。 本稿では,進化的AHDループとエージェント的知識抽出ワークフローを結合したTRACEを提案する。 Coderエージェントは、それらをテストするためにスキーマ固有のコードを書き、実行し、進化したヒューリスティックスのための洞察や実行可能なツールを生成する。 人工クラウドベンチマークによるTRACEと,産業用テストベッド測定と運用用トラフィックトレースから構築した5G vRANシナリオについて検討した。 TRACEは資源割り当て問題において最先端のAHD法を一貫して上回り、2%以下のオーバーヘッドでより監査可能なヒューリスティックを得る。

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• AgentR A Stateful and Recovery-Aware Software Architecture for LLM-based Auditable Workflows [14.042464830509864]
  AgentRは、研究意図、生成されたクエリ、候補論文の評価、ギャップ分析を耐久性のあるワークフローアーティファクトとして表現する。 設計には、明示的な処理状態遷移、指数的バックオフによるリトライ、クレジット対応の事前チェック、ACIDトークンコストのログ、価格レコードの徐々に変化するType-2が含まれている。 LLMの段階では、99.2%のジョブ完了を達成し、意図分解、クエリ生成、および紙スコアのための平均遅延は9.0秒、18.9秒25.4秒である。
  論文  参考訳（メタデータ） (2026-08-15T14:51:43Z)
• RepoReasoner: Evaluating Repository-Level Code Reasoning Ability of Long-Context Language Models [54.53236295237077]
  リポジトリレベルのコード推論を評価するベンチマークであるRepoReasonerを紹介します。 出力予測は、ファイル間でのきめ細かいステートフルな実行推論を計測します。 Call Chain Predictionは、ノイズの多いコンテキスト下での高レベルのアーキテクチャ依存性の理解を評価する。
  論文  参考訳（メタデータ） (2026-07-28T17:12:41Z)
• MatClaw: An Autonomous Code-First LLM Agent for End-to-End Materials Exploration [0.0]
  我々は、Pythonを直接書き、実行するためのコードファーストエージェントであるMatchClawを提示する。 MatClawはコード生成を確実に扱うが、暗黙のドメイン知識に苦慮している。 その結果、ガイド付きと完全に自律的な計算材料研究のギャップはこれまで以上に狭くなっていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-03T03:32:15Z)
• SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
  SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。 さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。 SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
  論文  参考訳（メタデータ） (2026-03-17T05:12:48Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Leveraging Knowledge Graphs and LLM Reasoning to Identify Operational Bottlenecks for Warehouse Planning Assistance [1.2749527861829046]
  我々のフレームワークは知識グラフ(KG)とLarge Language Model(LLM)ベースのエージェントを統合している。 生のDESデータを意味的にリッチなKGに変換し、シミュレーションイベントとエンティティの関係をキャプチャする。 LLMベースのエージェントは反復推論を使用し、相互依存的なサブクエストを生成する。各サブクエストに対して、KGインタラクションのためのCypherクエリを生成し、情報を抽出し、エラーを修正する。
  論文  参考訳（メタデータ） (2025-07-23T07:18:55Z)
• Log-Augmented Generation: Scaling Test-Time Reasoning with Reusable Computation [80.69067017594709]
  大規模言語モデル(LLM)とそのエージェントモデルは、以前のタスクからの推論を維持するのに苦労する。 本稿では,従来の計算を直接再利用し,テスト時に過去のログから推論する新しいフレームワークであるLAGを提案する。 本手法は,ログを使用しない標準的なエージェントシステムよりも優れている。
  論文  参考訳（メタデータ） (2025-05-20T14:14:38Z)
• GateLens: A Reasoning-Enhanced LLM Agent for Automotive Software Release Analytics [9.549568621873386]
  GateLensは、自動車分野のデータ分析のためのLLMベースのシステムである。 遅くて不透明でメンテナンスにコストがかかる従来のマルチエージェントや計画ベースのシステムとは異なり、GateLensはスピード、透明性、信頼性を強調している。
  論文  参考訳（メタデータ） (2025-03-27T17:48:32Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)

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。