論文の概要: Deep Reinforcement Learning for HPC Job Scheduling: A Statistical Evaluation

• arxiv url: http://arxiv.org/abs/2610.21008v1
• Date: Wed, 14 Oct 2026 23:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.102702
• Title: Deep Reinforcement Learning for HPC Job Scheduling: A Statistical Evaluation
• Title（参考訳）: HPCジョブスケジューリングのための深層強化学習:統計的評価
• Abstract要約: 6つのDRL処理の比較:PPO、アドバンテージアクター・クリティカル(A2C)、ディープQネットワーク(DQN) 均一なトレースでは、マスク付きDRL処理は平均待ち時間平均と最大制限時間低下を大幅に改善する。 MaskablePPOは、両方の痕跡の完全な治療のうち、平均待ち時間ランキングでトップであるが、Nemenyiの比較ではMaskableA2Cと有意な差は見つからない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Reinforcement Learning (DRL) offers learned job selection for High-Performance Computing (HPC), but performance against heuristics alone does not establish value beyond action masking. Six DRL treatments are compared: Proximal Policy Optimization (PPO), Advantage Actor-Critic (A2C), and Deep Q-Network (DQN), each with and without masking. Three heuristics and a seed-paired masked uniform random control provide baselines across ten seeds on two real Slurm (Simple Linux Utility for Resource Management) workload traces, one homogeneous and one heterogeneous, under a common non-parametric framework. All masked treatments complete evaluation, whereas unmasked treatments are truncated. On the homogeneous trace, no masked DRL treatment significantly improves average waiting time or average and maximum bounded slowdown over the control. On the heterogeneous trace, MaskablePPO improves all three metrics relative to the control. Its average waiting time is equivalent to that of the three heuristics within a 10% margin, and its maximum bounded slowdown is 22% lower than that of Last-Come, First-Served (LCFS). MaskablePPO has the leading average waiting-time rank among complete treatments on both traces, but Nemenyi comparisons detect no significant difference from MaskableA2C. Among masked variants, MaskablePPO has the lowest recorded mean training time, while MaskableDQN has the lowest mean decision latency. These findings distinguish completion from baseline-specific scheduling gains and support including a masked random control when assessing the value of learned selection.
• Abstract（参考訳）: Deep Reinforcement Learning (DRL)は、ハイパフォーマンスコンピューティング(HPC)のための学習されたジョブ選択を提供するが、ヒューリスティックスのみに対するパフォーマンスは、アクションマスキングを超えて価値を確立するものではない。 PPO(Proximal Policy Optimization)、A2C(Advantage Actor-Critic)、DQN(Deep Q-Network)の6つの治療法を比較した。 3つのヒューリスティックと、シードペアのマスク付き一様ランダム制御は、共通の非パラメトリックフレームワークの下で、2つの実Slurm(Simple Linux Utility for Resource Management)ワークロードトレースに10個の種子をベースラインとして提供する。 すべての仮面治療が完全評価され、仮面治療は中止される。 均一なトレース上では、マスクされたDRL処理が平均待ち時間や平均および最大バウンドド・スローダウンを大幅に改善する。 不均一なトレースでは、MaskablePPOはコントロールに対する3つのメトリクスをすべて改善する。 平均待ち時間は10%のマージン以内の3つのヒューリスティックの時間と同等であり、最大制限速度はLast-Come, First-Served (LCFS)の時間よりも22%低い。 MaskablePPOは、両方の痕跡の完全な治療のうち、平均待ち時間ランキングでトップであるが、Nemenyiの比較ではMaskableA2Cと有意な差は見つからない。 マスク付きのバリエーションの中で、MaskablePPOは平均トレーニング時間が最も低く、MaskableDQNは平均決定レイテンシが低い。 これらの結果は,学習した選択の値を評価する際に,ベースライン固有のスケジューリングゲインとマスク付きランダム制御を含むサポートとを区別する。

関連論文リスト

• Rethinking the Divergence Regularization in LLM RL [56.952725733148746]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデル(LLM)の訓練後において重要な要素となっている。 そこで本稿では,ハードマスクをスムーズなアドバンテージ重み付き二次正規化器に置き換える多変量正規化政策最適化(DRPO)を提案する。 DRPOはDPPOと同じ信頼領域を保ちながら、有界で連続的な勾配重みを誘導する。
  論文  参考訳（メタデータ） (2026-06-08T17:58:23Z)
• Cortex-Inspired Continual Learning: Unsupervised Instantiation and Recovery of Functional Task Networks [2.9490560350642405]
  ブロックシーケンス連続学習では、1つのモデルが先行するソリューションを保護し、先行するソリューションがタスクラベルなしで現在の入力と一致する推論時間で効率的に推論することを要求する。 哺乳動物新皮質に見られる構造的および動的モチーフにインスパイアされたパラメータアイソレーション法であるFunction Task Networks (FTN) を提案する。
  論文  参考訳（メタデータ） (2026-04-27T16:06:28Z)
• Lookahead Unmasking Elicits Accurate Decoding in Diffusion Language Models [51.12873073612084]
  Masked Diffusion Models (MDM) は、反復的にトークンをアンマキングすることで生成される言語モデルであるが、その性能はアンマキングの推測時間順序に依存する。 提案するLookUM(LookUM)は,これらの問題に対処し,サンプリングを可能な全注文に対して経路選択として再構成する。 LookUMはピーク性能を達成するために2～3つの経路しか必要とせず、極めて効率的な経路選択を示す。
  論文  参考訳（メタデータ） (2025-11-04T02:37:37Z)
• Post-Hoc Split-Point Self-Consistency Verification for Efficient, Unified Quantification of Aleatoric and Epistemic Uncertainty in Deep Learning [5.996056764788456]
  不確実性定量化(UQ)は、信頼できる深層学習には不可欠であるが、既存の手法は計算集約的であるか、タスク固有の部分的な見積もりのみを提供する。 本研究では,事前訓練したモデルの変更や再訓練を伴わずに,アレタリックおよびてんかんの不確実性を共同でキャプチャするポストホック・シングルフォワード・パス・フレームワークを提案する。 提案手法は,EmphSplit-Point Analysis (SPA) を用いて,予測残差を上下サブセットに分解し,各側でEmphMean Absolute Residuals (MAR) を演算する。
  論文  参考訳（メタデータ） (2025-09-16T17:16:01Z)
• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Improving Self-supervised Pre-training via a Fully-Explored Masked Language Model [57.77981008219654]
  Masked Language Model (MLM)フレームワークは、自己教師型言語事前学習に広く採用されている。 そこで本研究では,テキストシーケンスを複数の非重複セグメントに分割するマスキング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-12T21:28:14Z)
• Queueing Network Controls via Deep Reinforcement Learning [0.0]
  待ち行列ネットワークのためのポリシ最適化アルゴリズムを開発した。 このアルゴリズムは、文学における最先端よりも優れた制御ポリシーを一貫して生成する。 PPOアルゴリズムの成功の鍵は、相対値関数を推定するために3つの分散還元技術を使用することである。
  論文  参考訳（メタデータ） (2020-07-31T01:02:57Z)

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。