論文の概要: AID: A Framework for AI Infrastructure Dynamics

• arxiv url: http://arxiv.org/abs/2610.04801v2
• Date: Tue, 06 Oct 2026 11:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.334305
• Title: AID: A Framework for AI Infrastructure Dynamics
• Title（参考訳）: AID: AIインフラストラクチャのダイナミクスのためのフレームワーク
• Abstract要約: AI推論インフラストラクチャの有用なモデルでは、システム状態、オブザーバに利用可能な情報、モデルがサポートする決定を指定する必要がある。 本稿では,この学習問題を物理,計算,ネットワーク,サービスプロセスにまたがって記述するフレームワークであるAIDを紹介する。
• 参考スコア（独自算出の注目度）: 0.10152838128195464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A useful model of AI inference infrastructure must specify the system state, the information available to an observer, and the decisions the model is intended to support. We introduce AID (AI Infrastructure Dynamics), a framework for describing this learning problem across coupled physical, computational, networking, and serving processes. The formulation allows structured and variable-size state, asynchronous observations, multiple physical timescales, and demand that responds to service. We distinguish representations that support prediction under an existing policy from those that preserve service outcomes under changed actions, and separate both from identifying intervention responses. Two analytical results describe a lower bound on prediction error when available observations cannot distinguish models and a sufficient condition for exact controlled state reduction. These results apply established information and state-abstraction principles to AI infrastructure. We then describe a validation protocol for cache representations, workload histories, measurement availability, and imposed actions.
• Abstract（参考訳）: AI推論インフラストラクチャの有用なモデルでは、システム状態、オブザーバに利用可能な情報、モデルがサポートする決定を指定する必要がある。 AID(AI Infrastructure Dynamics)は,物理,計算,ネットワーク,サービスプロセスにまたがって,この学習問題を記述するためのフレームワークである。 定式化により、構造化および可変サイズの状態、非同期観測、複数の物理的時間スケール、サービスに応答する需要が実現される。 我々は、既存のポリシーの下で予測をサポートする表現と、変更されたアクションの下でサービス成果を保存する表現とを区別し、介入応答の特定から分離する。 2つの解析的な結果から、可観測値がモデルと正確な制御状態の低減に十分な条件を区別できない場合、予測誤差の低い境界を記述する。 これらの結果は、AIインフラストラクチャに確立された情報と国家支援の原則を適用します。 次に、キャッシュ表現、ワークロード履歴、測定可用性、強制されたアクションの検証プロトコルを説明します。

関連論文リスト

• Physically Viable World Models: A Case for Query-Conditioned Embodied AI [17.916498249551537]
  既存の観測予測世界モデルは、視覚的に可視だが物理的に間違ったロールアウトを生み出すことができる。 このようなモデルは、実行不可能なアクションを推奨したり、インタラクションの結果を誤予測したり、安全でない振る舞いを証明したりする可能性がある。 インボディードAIは、介入クエリに応答するのに十分な、最も単純な物理的抽象化を特定する世界モデルを必要とする、と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-28T20:18:22Z)
• Reasoning Provenance for Autonomous AI Agents: Structured Behavioral Analytics Beyond State Checkpoints and Execution Traces [0.0]
  Agent Execution Record (AER) は構造化された推論プリミティブであり、すべてのステップで第一級クエリ可能なフィールドとしてインテント、観察、推論をキャプチャする。 AERが集団レベルの行動分析を可能にする方法を示す: 推論パターンマイニング、信頼度校正、クロスエージェント比較、モックリプレイによる反事実回帰テスト。
  論文  参考訳（メタデータ） (2026-03-23T08:27:54Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Example-Based Concept Analysis Framework for Deep Weather Forecast Models [25.56878415414591]
  本研究では,類似の推論プロセスに従う事例を対象モデルにおける対象インスタンスとして識別する,実例に基づく概念分析フレームワークを開発する。 本フレームワークは,気象メカニズムの曖昧さを解消するための概念割り当ての確率を含む,視覚的および概念的に類似した例をユーザに提供する。
  論文  参考訳（メタデータ） (2025-04-01T14:22:41Z)
• Relational Action Bases: Formalization, Effective Safety Verification, and Invariants (Extended Version) [67.99023219822564]
  我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。 RABは両方の制限を解除することで既存のモデルを一般化する。 データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-08-12T17:03:50Z)
• Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
  本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。 本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
  論文  参考訳（メタデータ） (2022-03-30T05:59:50Z)
• Learning Causal Models of Autonomous Agents using Interventions [11.351235628684252]
  我々は、AIシステムがシミュレータで高レベルの命令シーケンスを実行することができるエージェントアセスメントモジュールの分析を拡張した。 このような原始的なクエリ応答能力は、システムのユーザ解釈可能な因果関係モデルを効率的に導出するのに十分であることを示す。
  論文  参考訳（メタデータ） (2021-08-21T21:33:26Z)
• Towards Learning Controllable Representations of Physical Systems [9.088303226909279]
  力学系の学習表現は次元性を減少させ、下流強化学習(RL)を支援する可能性がある 我々は、真の状態と対応する表現の関係を考察し、理想的には各表現が一意的な状態に対応することを提唱する。 これらのメトリクスは、オートエンコーダに基づく表現の変種を比較する際に、擬似ペグ・イン・ホールタスクにおける強化学習性能を予測する。
  論文  参考訳（メタデータ） (2020-11-16T17:15:57Z)

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。