論文の概要: Towards Automated Recommendation of Steady-State Detection Algorithms for Software Performance Benchmarks
- arxiv url: http://arxiv.org/abs/2611.16566v1
- Date: Thu, 12 Nov 2026 09:51:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.43899
- Title: Towards Automated Recommendation of Steady-State Detection Algorithms for Software Performance Benchmarks
- Title(参考訳): ソフトウェアパフォーマンスベンチマークのための定常検出アルゴリズムの自動化に向けて
- Abstract要約: ベンチマーク時系列が与えられた場合、2つの補完検出器のどちらがより適切かを予測する。
本稿では,自動抽出機能を用いてベンチマーク時系列をブートストラップするデータ駆動レコメンデータを提案する。
提案されたレコメンデータは、最も頻繁に動作する検出器を常に選択する場合の62.65%と比較して、72.97%の精度で優れた検出器を正しく選択する。
- 参考スコア(独自算出の注目度): 0.8264316322451412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Steady-state detection is a central step in software performance benchmarking, yet different detection methods rely on different assumptions and may perform best on different execution profiles. This paper formulates steady-state detection as an algorithm-recommendation problem: given a benchmark time series, predict which of two complementary detectors is more appropriate. The first, CP-SSD, identifies steady state through changepoint-based segmentation of the execution trace, whereas the second, KB-KSSD, uses a kernel-based approach to identify stable behaviour. We propose a data-driven recommender that characterises benchmark time series using automatically extracted features and combines supervised prediction with information derived from groups of time series exhibiting similar behaviour. The approach is evaluated on 407 labelled benchmark time series for which one of the two detectors can be identified as preferable with respect to a reference steady-state index. The proposed recommender selects the better detector correctly for 72.97% of the series, compared with 62.65% when always selecting the detector that performs best most often, corresponding to an absolute improvement of 10.32 percentage points. Paired statistical testing and bootstrap confidence intervals support this improvement. A comparison with a recommender using time-series features alone shows that the cluster-derived information mainly improves interpretability rather than predictive accuracy. Recommendations also remain highly stable when the unsupervised representation is learned from either the labelled subset or the full collection of 5,860 time series. These results demonstrate the feasibility of per-series steady-state detector recommendation while highlighting the need for broader labelled data, particularly for execution profiles favouring the changepoint-based detector.
- Abstract(参考訳): 定常状態検出は、ソフトウェアパフォーマンスベンチマークにおける中心的なステップであるが、異なる検出方法は異なる仮定に依存しており、異なる実行プロファイルで最善を尽くす可能性がある。
本稿では,2つの相補的検出器のどちらがより適切かをベンチマーク時系列で予測し,定常検出をアルゴリズム推奨問題として定式化する。
第1のCP-SSDは、変更点に基づく実行トレースのセグメンテーションを通じて定常状態を識別するが、第2のKB-KSSDは、安定な振る舞いを特定するためにカーネルベースのアプローチを使用する。
本稿では,自動抽出機能を用いてベンチマーク時系列を特徴付けるデータ駆動リコメンデータを提案する。
この手法は、基準定常状態指数に対して2つの検出器のうちの1つが好ましいと判断できる407ラベル付きベンチマーク時系列で評価される。
提案したレコメンデータは、シリーズの72.97%に対して、常に最も頻繁に実行する検出器を選択する場合の62.65%に対して、絶対的な10.32パーセントの改善に対応する、より良い検出器を正しく選択する。
障害のある統計的テストとブートストラップの信頼区間は、この改善を支持している。
時系列機能のみを用いたレコメンデータとの比較では、クラスタ由来の情報は主に予測精度よりも解釈可能性を改善することが示されている。
ラベル付き部分集合または5,860の時系列の完全なコレクションから教師なし表現が学習されるときも、勧告は非常に安定である。
これらの結果は,より広範なラベル付きデータの必要性を強調しつつ,シリーズごとの定常検出器推奨の実現可能性を示している。
関連論文リスト
- TSB-SEG: A Systematic Time-Series Segmentation Benchmark [8.60447833864601]
時系列セグメンテーションは、広範囲の監視および診断アプリケーションを支える。
この分野は、統計コミュニティ(CDDに焦点をあてる)と機械学習とデータマイニングコミュニティ(SDに焦点をあてる)の絶え間ない隔たりに悩まされている。
論文 参考訳(メタデータ) (2026-11-02T12:38:17Z) - HieraNTP: Structured Risk Representations for Time-Series Anomaly Detection via Hierarchical Next-Token Prediction [58.62266932880605]
時系列異常検出は、学習された時間的規則性からの逸脱を異常スコアに変換するのが一般的である。
HieraNTPはタスク固有のリスク解釈から自己教師付き予測モデリングを分離する。
タスク適応検出器は異常ラベルを使用して、対象タスクに対するこの証拠を選択し、組み合わせる。
論文 参考訳(メタデータ) (2026-10-31T13:47:31Z) - Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection [8.337328139585852]
RAMSADは、時系列異常検出におけるモデル選択のための検索ベースのフレームワークである。
以前に観測されたインスタンスの知識ベースをクエリし、トップkの最も類似したシリーズを検索し、検出器のレコメンデーションを転送する。
その結果,RAMSADは既存のID設定のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2026-10-14T14:18:55Z) - A Kernel-Based Approach for Accurate Steady-State Detection in Performance Time Series [1.0485739694839669]
目標は、未精度または非効率な性能分析につながる可能性のある、未成熟または遅延検出を回避する方法を導入することである。
提案手法は化学反応器領域の手法に適応し、オンラインで定常状態を検出する。
その結果,新しい手法は最先端手法と比較して誤差を14.5%削減することがわかった。
論文 参考訳(メタデータ) (2025-06-04T17:48:42Z) - Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。
テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。
事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
論文 参考訳(メタデータ) (2024-02-27T04:56:04Z) - Exogenous Data in Forecasting: FARM -- A New Measure for Relevance
Evaluation [62.997667081978825]
FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。
我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。
第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
論文 参考訳(メタデータ) (2023-04-21T15:22:33Z) - Sequential Kernelized Independence Testing [77.237958592189]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - TiSAT: Time Series Anomaly Transformer [30.68108039722565]
本稿では,この評価基準により,初歩的なランダム・ギーズ法が最先端の検出器より優れていることを示す。
本研究では,逐次異常検出の時系列と精度を計測する適切な評価指標を提案する。
論文 参考訳(メタデータ) (2022-03-10T05:46:58Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳(メタデータ) (2021-02-02T04:58:57Z) - Change Point Detection in Time Series Data using Autoencoders with a
Time-Invariant Representation [69.34035527763916]
変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。
近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。
我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
論文 参考訳(メタデータ) (2020-08-21T15:03:21Z)
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。