Multi-Agent Transformer-Based Workload Allocation and Worker Selection in Distributed Coded Machine Learning
Notice bibliographique
Résumé
Machine learning (ML) has been used in a wide range of applications. In recent years, the growing complexity of ML models has led to substantial computational demands. Distributed Machine Learning (DML) frameworks address this challenge by parallelizing computation across multiple devices. Yet, DML systems often suffer from the straggler effect, where the slowest devices delay task completion. Distributed Coded Machine Learning (DCML) mitigates this issue by injecting redundancy into subtasks, allowing partial results to suffice for completing the overall task. To fully exploit DCML, two critical problems, worker selection and workload allocation, must be addressed effectively, especially in large-scale edge networks characterized by unstable connectivity, dynamic device availability, and high-dimensional decision spaces. In this work, we propose a Multi-Agent Transformer-based workload Allocation and worker Selection (MAT-AS) scheme for DCML in large-scale edge networks. Technically, MAT-AS converts the multi-agent joint policy optimization problem into a sequential process to make robust decisions on worker selection and workload allocation. Experimental results demonstrate that MAT-AS significantly outperforms baseline approaches in task completion time and cost efficiency, making it a promising solution for efficient and adaptive DCML. Specifically, MAT-AS reduces task completion time by approximately 12% and computation cost by approximately 15% compared to the best baseline method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».