RobGenX: Uncertainty-Aware Inference in eXtreme Computing Power Networks
Notice bibliographique
Résumé
Computing Power Networks (CPNs) emerged as a promising architectural paradigm that unifies the edge and user-owned eXtreme Edge Devices (XEDs) into an orchestrated compute fabric. By leveraging opportunistic idle resources at the eXtreme Edge (XE), CPNs offer a pathway to democratize generative AI and reduce reliance on cloud monopolies. However, inference delegation within CPNs is hindered by the volatile and user-dependent nature of compute availability of XEDs. In this work, we propose RobGenX, a robust task allocation framework tailored for inference in XE-enabled CPNs under stochastic compute capacity constraints. To the best of our knowledge, RobGenX is the first work to explicitly model the uncertainty of XEDs' compute capacity. RobGenX integrates Recourse Programming (RP) to penalize overassignment and Chance-Constrained Programming (CCP) to enforce probabilistic workload guarantees, respectively. We model the task allocation problem as a two-stage chance-constrained program and obtain an equivalent deterministic reformulation using a scenario-based approach. To overcome the computational burden of the resulting Integer Linear Program (ILP), we develop a decomposition-based solution using the Alternating Direction Method of Multipliers (ADMM), which decouples the relaxed problem into parallelizable subproblems across uncertainty scenarios. Simulation results demonstrate that RobGenX and its lower complexity ADMM-based solution consistently outperform the state-of-the-art task allocation baselines, achieving up to 58% improvement in inference completion rates and 55% in assignment stability.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».