論文の概要: MoSAIC: Learning DAG Scheduling Heuristics from Optimal Schedules through Motif-Aware Recovery and LLM-Guided Reasoning
- arxiv url: http://arxiv.org/abs/2610.15205v1
- Date: Sat, 10 Oct 2026 22:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 02:04:42.866163
- Title: MoSAIC: Learning DAG Scheduling Heuristics from Optimal Schedules through Motif-Aware Recovery and LLM-Guided Reasoning
- Title（参考訳）: MoSAIC: モチーフ・アウェア・リカバリとLLM誘導推論による最適スケジューリングからのDAGスケジューリングヒューリスティックス学習
- Abstract要約: MoSAICは、DAGベースのアプリケーションの正確性とスケジューリングアプローチのギャップを埋める学習ベースのフレームワークである。
このフレームワークはまずOR-Tools CP-SATソルバを利用して最適なスケジュールを生成する。
その結果、最適監督と学習に基づく一般化を組み合わせることで、スケーラブルで適応的なタスクスケジューリングのための実践的なアプローチが得られている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Efficient task scheduling in heterogeneous computing systems remains a fundamental challenge in embedded and high-level synthesis flows. This paper presents MoSAIC (Motif-aware Scheduling with AI-driven Cognition), a learning-based framework that bridges the gap between exact and heuristic scheduling approaches for DAG-based applications. The system uses the reasoning capabilities of large language models (LLMs) to learn the relationships between DAG structures and scheduling priority functions. The framework first leverages the OR-Tools CP-SAT solver [4] to generate optimal schedules, which are then used to supervise the learning of compact priority-based scheduling functions through Bayesian Optimization. These learned heuristics capture relationships between scheduling decisions and structural graph features such as rank, depth, and fanout, enabling the construction of a reusable knowledge base across diverse DAG instances. Experimental results across synthetic graph families and real-world benchmarks, including PolyBench and MachSuite, show that the learned heuristics consistently improve over classical approaches such as HEFT [2], while maintaining low runtime overhead. The results indicate that combining optimal supervision with learning-based generalization provides a practical approach for scalable and adaptive task scheduling.
- Abstract（参考訳）: 不均一コンピューティングシステムにおける効率的なタスクスケジューリングは、組込みおよび高レベル合成フローにおける根本的な課題である。
本稿では,DAGベースのアプリケーションにおける正確なスケジューリングアプローチとヒューリスティックスケジューリングアプローチのギャップを埋める学習ベースのフレームワークであるMoSAICを提案する。
このシステムは、大規模言語モデル(LLM)の推論機能を用いて、DAG構造と優先順位関数のスケジューリングの関係を学習する。
このフレームワークはまず OR-Tools CP-SAT ソルバ [4] を利用して最適なスケジュールを生成する。
これらの学習されたヒューリスティックは、スケジューリング決定とランク、深さ、ファンアウトといった構造グラフの特徴の関係を捉え、様々なDAGインスタンスにまたがる再利用可能な知識ベースを構築することができる。
合成グラフファミリと実世界のベンチマーク(PolyBench や MachSuite など)による実験結果から、学習されたヒューリスティックスは、HEFT [2] のような古典的なアプローチよりも一貫して改善され、実行時のオーバーヘッドは低かった。
その結果、最適監督と学習に基づく一般化を組み合わせることで、スケーラブルで適応的なタスクスケジューリングのための実践的なアプローチが提供されることが示唆された。
関連論文リスト
- Efficient Test-time Inference for Generative Planning Models [2.993222488868623]
従来のOpen-Closed List (OCL) 検索の修正版は、そのような効率的な推論手順を提供する。
本アルゴリズムは,中間状態からの高速ロールアウトを行う生成モデルと,候補推論経路に優先順位をつけるモデルという,学習した2つのコンポーネントを相乗化する。
論文 参考訳（メタデータ） (2026-05-30T08:46:44Z) - Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。
アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
論文 参考訳（メタデータ） (2026-03-10T05:42:13Z) - Closing the Train-Test Gap in World Models for Gradient-Based Planning [64.36544881136405]
本研究では,効率的な勾配計画を可能にする世界モデルの学習方法を提案する。
テスト時には,古典的勾配のないクロスエントロピー法よりも優れた手法が提案される。
論文 参考訳（メタデータ） (2025-12-10T18:59:45Z) - A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。
TVEは従来のトレーニング前のベースラインを一貫して上回っている。
本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
論文 参考訳（メタデータ） (2025-07-14T00:17:21Z) - Evaluating the Efficacy of LLM-Based Reasoning for Multiobjective HPC Job Scheduling [6.375075345747834]
ReActスタイルフレームワークを用いたLarge Language Model (LLM)ベースのスケジューラ(Reason + Act)
Systemはスクラッチパッドメモリを内蔵し、スケジューリング履歴を追跡し、自然言語のフィードバックを通じて決定を洗練する。
我々は,OpenAI の O4-Mini と Anthropic の Claude 3.7 を用いて,実世界の7つの HPC ワークロードシナリオに対してアプローチを評価した。
論文 参考訳（メタデータ） (2025-05-29T14:25:29Z) - Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。
我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。
本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
論文 参考訳（メタデータ） (2024-06-18T22:57:06Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Learning Robust Scheduling with Search and Attention [6.217548079545464]
物理層リソースをチャネル品質、バッファサイズ、要求および制約に基づいてユーザに割り当てることは、無線リソースの管理における中心的な最適化問題の1つである。
MU-MIMOスケジューリングでは、スケジューラが複数のユーザを同じ時間周波数の物理リソースに割り当てることができる。
本稿では,MU-MIMOスケジューリング問題を木構造問題として扱うとともに,AlphaGo Zeroの最近の成功から借用して,最高の実行ソリューションを探す可能性について検討する。
論文 参考訳（メタデータ） (2021-11-15T20:46:26Z) - Learning to Schedule DAG Tasks [7.577417675452624]
有向非周期グラフ(DAG)のスケジューリングに関する新しい学習手法を提案する。
このアルゴリズムは強化学習エージェントを用いて、DAGに向けられたエッジを反復的に追加する。
我々の手法は既存のスケジューリングアルゴリズムにも容易に適用できる。
論文 参考訳（メタデータ） (2021-03-05T01:10:24Z)
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。