論文の概要: SNAPPerf: Software-Aware Tabular Foundation Model for Retraining-Free Performance Prediction of Configurable Systems

• arxiv url: http://arxiv.org/abs/2611.00944v1
• Date: Sat, 31 Oct 2026 13:47:08 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:23:31.652519
• Title: SNAPPerf: Software-Aware Tabular Foundation Model for Retraining-Free Performance Prediction of Configurable Systems
• Title（参考訳）: SNAPPerf:構成可能なシステムの自由な性能予測のためのソフトウェア対応タブラリ基礎モデル
• Abstract要約: 現代のソフトウェアシステムは、何百もの設定オプションを公開する。 これらの組み合わせは実行時間、メモリ、エネルギー使用量に大きな影響を与える可能性がある。 以前の作業では、他の作業のパフォーマンスを予測するために、測定済みの設定の小さなセットでモデルをトレーニングしました。 ソフトウェアに関する知識は,システムごとのモデルではなく,事前学習データにエンコード可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.1879514593973197
• License:
• Abstract: Modern software systems expose hundreds of configuration options whose combinations can substantially affect execution time, memory and energy usage. Measuring software performance resulting from a configuration set requires running a realistic workload. Since the configuration space grows exponentially, exhaustive benchmarking is infeasible. Prior work therefore trains models on a small set of measured configurations to predict the performance of the rest. Yet these models are specific to a particular software version, hardware platform, and workload, so changes require new measurements and retraining, and such changes are becoming more frequent with coding agents. We challenge this per-system training assumption with SNAPPERF (Software-aware, No-retraining, Adaptive Prediction), a sample-efficient tabular foundation model specialized for configurable software. SNAPPERF is pretrained once on synthetic data. Each new update only requires a few measured configurations as context to predict the rest without any per-system training or hyperparameter tuning. Across 39,866 configurations from 12 real-world systems, spanning 6 domains and 4 performance metrics, SNAPPERF reduces prediction error by 38% over the prior state of the art at the same measurement budget, and by 25% over the best general-purpose tabular foundation model. It matches the state of the art's accuracy with 54% fewer measurements on average. These results suggest that knowledge about software can be encoded in pretraining data rather than in per-system models, opening a new research direction in software-aware pretraining.
• Abstract（参考訳）: 現代のソフトウェアシステムは、実行時間、メモリ、エネルギー使用量に大きな影響を与える数百の設定オプションを公開している。 構成セットから生じるソフトウェアパフォーマンスの測定には、現実的なワークロードの実行が必要です。 構成空間は指数関数的に大きくなるので、徹底的なベンチマークは実現不可能である。 そのため、事前の作業では、測定された構成の小さなセットでモデルをトレーニングして、残りの部分のパフォーマンスを予測します。 しかし、これらのモデルは特定のソフトウェアバージョン、ハードウェアプラットフォーム、ワークロードに特化しているため、変更には新しい測定と再トレーニングが必要です。 本稿では, SNAPPERF (Software-aware, No-Retraining, Adaptive Prediction) を用いて, このシステムごとのトレーニング仮定に挑戦する。 SNAPPERFは合成データに基づいて1度事前訓練される。 それぞれのアップデートでは、システム単位のトレーニングやハイパーパラメータチューニングを必要とせずに、残りを予測するためのコンテキストとして、いくつかの測定済みの設定しか必要とされない。 12の現実世界のシステムで6つのドメインと4つのパフォーマンスメトリクスにまたがる39,866構成に対して、SNAPPERFは、同じ測定予算で従来の最先端の予測エラーを38%削減し、最高の汎用表層基盤モデルよりも25%削減する。 これは最先端の精度と平均で54%の精度で一致している。 これらの結果は,ソフトウェアに関する知識をシステムごとのモデルではなく事前学習データにエンコードできることを示唆している。

関連論文リスト

• Learnware for CSI Feedback: Scene-specific Small Models Can Do Big [118.52196588174786]
  知的チャネル状態情報(CSI)フィードバックは、将来の6Gシステムの高容量およびスペクトル効率の目標を実現するために不可欠である。 既存のディープラーニングソリューションは、モデル一般化とシナリオ固有のパフォーマンスのトレードオフに直面します。 本稿では,中央AIデータセンタがシーン固有のCSIモデルのカタログを維持しているモデルリポジトリベースのデプロイメントフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-08-18T13:26:34Z)
• 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)
• Elastic ViTs from Pretrained Models without Retraining [74.5386166956142]
  ビジョンファウンデーションモデルは優れたパフォーマンスを達成するが、事前決定されたサイズの限られたセットでしか利用できない。 本稿では, プルーニングされた視覚変換器のためのシングルショットネットワーク近似であるSnapViTを紹介する。 提案手法は,進化的アルゴリズムを用いて近似した勾配情報とクロスネットワーク構造相関を効率的に結合する。
  論文  参考訳（メタデータ） (2025-10-20T16:15:03Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• PreNeT: Leveraging Computational Features to Predict Deep Neural Network Training Time [2.3622884172290255]
  本稿では,この最適化課題に対処するために設計された新しい予測フレームワークであるPreNeTを紹介する。 PreNeTの重要な特徴は、これまで検討されていなかったハードウェアインフラストラクチャのトレーニング期間を正確に予測する能力である。 実験の結果,PreNeTは現代の最先端フレームワークと比較して,予測精度が最大72%向上していることがわかった。
  論文  参考訳（メタデータ） (2024-12-20T03:15:02Z)
• Predicting Software Performance with Divide-and-Learn [3.635696352780227]
  本稿では,DALと呼ばれる「分枝学習」の概念に基づくアプローチを提案する。 実世界の8つのシステムと5つのトレーニングデータによる実験結果から、DaLは40件中33件で最高のシステムよりもパフォーマンスが劣っていることが判明した。
  論文  参考訳（メタデータ） (2023-06-11T11:16:27Z)

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。