論文の概要: AdaptLSTM: Efficient Adaptive Online Learning for Cloud Workload Forecasting under Distribution Drift

• arxiv url: http://arxiv.org/abs/2610.12265v1
• Date: Thu, 08 Oct 2026 16:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.183309
• Title: AdaptLSTM: Efficient Adaptive Online Learning for Cloud Workload Forecasting under Distribution Drift
• Title（参考訳）: AdaptLSTM: 分散ドリフト下でのクラウドワークロード予測のための効果的な適応型オンライン学習
• Abstract要約: AdaptLSTMは、バリデーション校正しきい値によるドリフトを検出し、選択的にターゲットとする更新を適用する適応型オンラインフレームワークである。 Alibaba Machine Traceでは、AdaptLSTMがNaive Onlineの改善の54%を20%のコストで回復している。 古典的なドリフト検出器とは異なり、AdaptLSTMは301歩以上42回発射し、整合した予算ベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate workload forecasting is critical for elastic resource provisioning in web-scale cloud services, where distribution shifts driven by viral content, product launches, and user behavior degrade offline-trained models rapidly. Naive online learning recovers accuracy but incurs prohibitive per-step compute cost. We propose AdaptLSTM, an adaptive online framework that detects drift via validation-calibrated thresholds and applies selective, targeted updates. On the Alibaba Machine Trace, AdaptLSTM recovers 54\% of Naive Online's improvement at 20\% cost ($2.7\times$ efficiency, $p=0.002$ over 10 seeds). On the more volatile Container Trace, it achieves 96\% at 20\% cost ($4.8\times$ efficiency, $+75\%$ MAE reduction over Static). Unlike classical drift detectors (ADWIN, DDM, Page-Hinkley) which fail to trigger on regression-scale error streams, AdaptLSTM fires 42 times over 301 steps and outperforms matched-budget baselines. Wall-clock profiling shows $1.33\times$ throughput gain and 45\% update-time reduction. The framework is model-agnostic: identical Pareto patterns hold for LSTM, GRU, and Transformer backbones.
• Abstract（参考訳）: Webスケールのクラウドサービスでは、バイラルコンテンツや製品ローンチ、ユーザの振る舞いによる分散シフトが、オフラインでトレーニングされたモデルに急速に低下する。 オンライン学習は正確さを回復するが、ステップごとの計算コストは禁じられている。 本稿では,アダプティブなオンラインフレームワークであるAdaptLSTMを提案する。 Alibaba Machine Traceにおいて、AdaptLSTMは、Naive Onlineの改善の54\%を20\%のコストで回復する(2.7\times$ efficiency, $p=0.002$ over 10 seed)。 より揮発性のコンテナトレースでは、コストが20\%(4.8\times$ efficiency, $+75\%$ MAE reduction over Static)で96\%に達する。 古典的なドリフト検出器(ADWIN、DDM、Page-Hinkley)が回帰スケールのエラーストリームをトリガーできないのとは異なり、AdaptLSTMは301ステップ以上42回発射し、整合予算ベースラインを上回っている。 ウォールタイムプロファイリングでは、スループットが1.33\times$で、更新時間が45\%減少している。 このフレームワークはモデルに依存しない。同じParetoパターンはLSTM、GRU、Transformerのバックボーンを保持できる。

関連論文リスト

• TL-RL-FusionNet: An Adaptive and Efficient Reinforcement Learning-Driven Transfer Learning Framework for Detecting Evolving Ransomware Threats [2.3008238872220548]
  現代のランサムウェアは、検出を避けるために頻繁に実行パターンを変更することで、多形的かつ回避的な振る舞いを示す。 本稿では, 冷凍二重転写学習(TL)を特徴抽出器として組み込んだ強化学習(RL)誘導ハイブリッドフレームワークであるTL-RL-FusionNetを提案する。 実験の結果、TL-RL-Netは99.1%の精度、98.6%の精度、99.6%のリコール、99.74%のAUCを達成した。
  論文  参考訳（メタデータ） (2026-04-22T07:08:27Z)
• One-for-All: A Lightweight Stabilized and Parameter-Efficient Pre-trained LLM for Time Series Forecasting [4.364999214109123]
  One-for-Allは、時系列分析のためにトレーニング済みの大規模言語モデルを適用するためのフレームワークである。 rsLoRAは、低いランクでの証明可能な勾配安定性を可能にする数学的に基底的なランク安定化機構を導入している。 One-for-Allは最先端の効率と精度のトレードオフを達成する。
  論文  参考訳（メタデータ） (2026-03-31T13:54:43Z)
• SAIR: Cost-Efficient Multi-Stage ML Pipeline Autoscaling via In-Context Reinforcement Learning [13.174004826305255]
  マルチステージML推論パイプラインは、異種リソース、クロスステージ結合、動的ボトルネックマイグレーションによる自動スケールが難しい。 本稿では,LLMをテキスト内強化学習コントローラとして使用する自動スケーリングフレームワークであるSAIRを提案する。 SAIRはデプロイベースライン間で最高のあるいは結びついたP99レイテンシと効果的なリソースコストを実現し、P99を最大50%改善し、有効コストを最大97%削減する。
  論文  参考訳（メタデータ） (2026-01-29T23:08:15Z)
• DropoutTS: Sample-Adaptive Dropout for Robust Time Series Forecasting [59.868414584142336]
  DropoutTS はモデルに依存しないプラグインで、パラダイムを "What" から "How much" にシフトします。 ノイズを適応的なドロップアウト率にマッピングする - きめ細かい忠実さを維持しながら、急激な変動を選択的に抑制する。
  論文  参考訳（メタデータ） (2026-01-29T13:49:20Z)
• Incremental Multistep Forecasting of Battery Degradation Using Pseudo Targets [2.4958651162443943]
  iFSNetは、疑似ターゲットを用いたマルチステップ予測を実現するために、シングルパスモード(サンプルバイサンプル)用にFSNetの修正版である。 提案モデルではスムーズな劣化軌道を持つデータセット上で0.00197 RMSEと0.00154 MAEを達成した。
  論文  参考訳（メタデータ） (2025-09-19T08:10:46Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• Online Convolutional Re-parameterization [51.97831675242173]
  2段階のパイプラインであるオンライン畳み込み再パラメータ化(OREPA)は、複雑なトレーニング時間ブロックを単一の畳み込みに絞ることで、巨大なトレーニングオーバーヘッドを低減することを目的としている。 最先端のre-paramモデルと比較して、OREPAはトレーニング時間のメモリコストを約70%削減し、トレーニング速度を約2倍向上させることができる。 また、オブジェクト検出とセマンティックセグメンテーションの実験を行い、下流タスクに一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-04-02T09:50:19Z)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)

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。