論文の概要: SafeWall: A Risk-Aware Job Walltime Recommendation for HPC Scheduling
- arxiv url: http://arxiv.org/abs/2610.26577v1
- Date: Mon, 19 Oct 2026 15:27:28 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:30:29.141065
- Title: SafeWall: A Risk-Aware Job Walltime Recommendation for HPC Scheduling
- Title（参考訳）: SafeWall: HPCスケジューリングのためのリスク対応のジョブウォールタイムレコメンデーション
- Abstract要約: ユーザは、スケジューラが早期にジョブを終了しないように、ウォールタイムを過大評価する傾向がある。
我々は,明示的な非負の安全バッファを組み込むことで,壁面の予測を調整する新しいレコメンデーション手法であるSafeWallを提案する。
Argonne Leadership Computing Facilityの4,392ノードのThetaマシンからのフルライフタイムジョブログを含む5つの公開ワークロードトレースを用いてSafeWallを評価する。
- 参考スコア（独自算出の注目度）: 0.1529342790344802
- License:
- Abstract: In high-performance computing (HPC), users must submit resource requirements for their jobs, with user-supplied walltime being a critical parameter. However, these estimates are notoriously inaccurate, as users tend to overestimate walltime to prevent the scheduler from terminating their jobs prematurely. While existing work on learning-based walltime prediction primarily focuses on maximizing prediction accuracy, such predictions are inherently risky for walltime recommendations. Specifically, underestimation leads to job termination before completion, resulting in lost progress and wasted resources. In this study, we present SafeWall, a novel recommendation method that adjusts walltime predictions by incorporating an explicit, nonnegative safety buffer to mitigate underestimation risk. The core of our approach is a risk-aware buffer that dynamically calibrates safety margins based on individual user's historical behavior. When user data is limited, the system employs statistical shrinkage to align these margins with a global baseline, ensuring robustness. This yields a lightweight mechanism that optimizes the trade-off between prediction accuracy and termination risk. SafeWall is modular and applicable to various learning-based prediction models. We evaluate SafeWall using five public workload traces, including the full-lifetime job log from the 4,392-node Theta machine at the Argonne Leadership Computing Facility. Across all traces, SafeWall substantially reduces underestimation risk compared to the unbuffered base predictors, while preserving competitive accuracy. The source code is publicly available at https://github.com/SPEAR-UIC/JSSPP26-SafeWall.
- Abstract（参考訳）: ハイパフォーマンスコンピューティング(HPC)では、ユーザはジョブのリソース要件を提出しなければならない。
しかし、これらの推定は不正確なことで知られており、ユーザーはスケジューラが早期に仕事を終えるのを防ぐために、ウォールタイムを過大評価する傾向がある。
学習に基づくウォールタイム予測に関する既存の研究は、主に予測精度の最大化に焦点を当てているが、そのような予測は本質的にウォールタイム推奨にとって危険である。
特に、過小評価は、完了前に仕事の終了につながるため、進捗が損なわれ、リソースが浪費される。
本研究では,過小評価リスクを軽減するために,明示的で非負の安全バッファを組み込むことで,壁面の予測を調整する新しい推奨手法であるSafeWallを提案する。
このアプローチのコアとなるのはリスク認識バッファで、個々のユーザの履歴行動に基づいて安全マージンを動的に校正する。
ユーザデータに制限がある場合、これらのマージンをグローバルなベースラインと整合させ、ロバスト性を確保する。
これにより、予測精度と終了リスクの間のトレードオフを最適化する軽量なメカニズムが得られる。
SafeWallはモジュール化されており、さまざまな学習ベースの予測モデルに適用できる。
Argonne Leadership Computing Facilityの4,392ノードのThetaマシンからのフルライフタイムジョブログを含む5つの公開ワークロードトレースを用いてSafeWallを評価する。
すべてのトレースにわたって、SafeWallは、競合の正確性を維持しながら、未解決のベース予測器と比較して、過小評価リスクを著しく低減します。
ソースコードはhttps://github.com/SPEAR-UIC/JSSPP26-SafeWallで公開されている。
関連論文リスト
- Guardian-as-an-Advisor: Advancing Next-Generation Guardian Models for Trustworthy LLMs [70.81495077853673]
ハードゲートのセーフティチェッカーは、しばしばベンダーのモデル仕様に過度に反抗し、不平を言う。
この研究は、ガーディアン・アズ・ア・アドバイザ(GaaA)というソフトゲーティングパイプラインを導入し、保護者がバイナリリスクラベルを予測し、このアドバイスを元のクエリに再推論する。
全体として、GaaAはモデル仕様に従うようモデルに指示し、過度な拒絶を減らしながら安全性を維持している。
論文 参考訳（メタデータ） (2026-04-08T23:47:29Z) - SafePred: A Predictive Guardrail for Computer-Using Agents via World Models [12.569157125705052]
本稿では,複雑な実環境におけるコンピュータ利用エージェント(CUA)の予測ガードレールフレームワークであるSafePredを紹介する。
このアプローチに基づいて,安全なエージェント動作を確保するためのリスク・ツー・意思決定ループを確立するSafePredを提案する。
大規模な実験の結果、SafePredはリスクの高い振る舞いを著しく減らし、97.6%以上の安全性能を達成し、リアクティブベースラインと比較してタスクユーティリティを最大21.4%改善した。
論文 参考訳（メタデータ） (2026-02-02T07:04:06Z) - Beyond Greedy Exits: Improved Early Exit Decisions for Risk Control and Reliability [14.00844847268286]
早期のDeep Neural Networksは、中間層での予測を可能にすることで、適応推論を可能にする。
我々のフレームワークは、フルモデルのパフォーマンスと比較して、パフォーマンス低下(2%)を最小限に抑えながら、スピードアップ(1.70-2.10x)が一貫した改善を示している。
論文 参考訳（メタデータ） (2025-09-28T06:05:24Z) - Inducing Uncertainty on Open-Weight Models for Test-Time Privacy in Image Recognition [3.8031924942083517]
AIの安全性に関する主要な懸念は、マシンラーニング(ML)の文献で検証されている。
MLモデルのユーザが不正な個人情報の予測を利用して他人を傷つけないようにするには、どうすればいいでしょうか?
保護されたインスタンスに対して最大不確実性を誘導し、他のすべてのインスタンスに対して精度を保つ。
論文 参考訳（メタデータ） (2025-09-15T06:38:57Z) - Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。
安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。
複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
論文 参考訳（メタデータ） (2025-08-17T23:46:36Z) - PredictaBoard: Benchmarking LLM Score Predictability [50.47497036981544]
大きな言語モデル(LLM)は予測不能に失敗することが多い。
これは、安全なデプロイメントを保証する上で、大きな課題となる。
PredictaBoardは,新しいベンチマークフレームワークである。
論文 参考訳（メタデータ） (2025-02-20T10:52:38Z) - Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。
エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。
我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
論文 参考訳（メタデータ） (2024-09-26T21:00:45Z)
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。