arXiv · 16.06.2026 ·Машинное обучение

Исследование: закономерности пиков очередей в стохастических сетях

Учёные изучили поведение пиков очередей в стохастических сетях, где множество очередей конкурирует за ограниченные ресурсы. В исследовании рассматриваются модели с зависимыми, изменяющимися во времени и адаптированными к прошлому потоками данных. Авторы показали, что при условии равномерного внутреннего запаса пропускной способности средний вектор прибытия остаётся в фиксированном сокращении области пропускной способности.

Ключевое открытие заключается в логарифмическом масштабировании пиков очередей после геометрических порогов. Это означает, что при определённых условиях нагрузка в системе растёт нелинейно, что может быть полезно для оптимизации и управления сетевыми ресурсами.

Результаты исследования могут найти применение в разработке алгоритмов управления трафиком, оптимизации сетевых протоколов и проектировании распределённых систем. Исследование опубликовано на arXiv и доступно по ссылке.

Работа может быть полезна для специалистов по машинному обучению и анализу данных, занимающихся задачами оптимизации и моделирования сложных систем.

Источник: arXiv

Похожие материалы

arXiv · Инфраструктура для агентов Исследование надежности сетей ИИ-агентов Ученые из MIT и других ведущих университетов опубликовали исследование, посвященное надежности сетей ИИ-агентов. В работе рассматриваются системы, где несколько моделей взаимодействуют для решения задач, а не одна модель. Такие системы часто превосходят по эффективности одиночные модели, но их надежность остается недостаточно изученной. arXiv · Инференс и железо Как снизить задержки в системах с потоковыми данными Исследователи из MIT и Google предложили новый подход к обработке потоковых данных в системах машинного обучения, который может существенно снизить задержки и нагрузку на серверы. В статье, опубликованной на arXiv, они описывают метод, который отделяет процесс инференса от обновления состояния, используя вероятностное прореживание (probabilistic thinning). Hacker News · Исследования и наука Исследование раскрывает архитектурную сложность нейросетей Учёные из Массачусетского технологического института (MIT) и Стэнфордского университета опубликовали исследование, посвящённое архитектурной сложности нейросетей. В работе, размещённой на arXiv, авторы анализируют, как структура нейронных сетей влияет на их производительность и обобщающую способность. The latest research from Google · Оркестрация агентов Новые алгоритмы планирования для динамических систем Исследователи Google представили новый подход к планированию задач в условиях изменяющейся пропускной способности. В статье рассматриваются алгоритмы, которые оптимизируют распределение ресурсов в системах с переменной нагрузкой, что особенно актуально для распределённых вычислений и оркестрации ИИ-агентов. arXiv · Машинное обучение Новый метод прогнозирования временных рядов с учётом межканальных корреляций Исследователи предложили новый подход к прогнозированию временных рядов, который учитывает межканальные корреляции. В статье, опубликованной на arXiv, авторы утверждают, что существующие модели часто игнорируют взаимосвязи между различными каналами данных, что приводит к менее точным прогнозам. Hacker News · Исследования и наука Исследование раскрывает парадокс эффективности ИИ Учёные из Массачусетского технологического института (MIT) и Стэнфорда опубликовали исследование, посвящённое парадоксу эффективности ИИ. В работе, размещённой на arXiv, авторы показывают, что несмотря на значительные улучшения в производительности ИИ-моделей, их реальная эффективность в практических задачах часто не соответствует ожиданиям. arXiv · Машинное обучение Исследование: неравномерное распределение параметров в трансформерах Учёные изучили эффективность неравномерного распределения параметров в трансформерах. Обычно архитектуры трансформеров используют одинаковую ширину во всех слоях, что приводит к равномерному распределению вычислительных ресурсов. Однако новые исследования показывают, что разные слои могут выполнять разные роли, и их вычислительные потребности могут отличаться. arXiv · Машинное обучение Исследование монотонных нейросетей на основе теоремы Колмогорова-Арнольда Учёные представили исследование монотонных нейросетей, основанных на теореме Колмогорова-Арнольда. Монотонность — это свойство, при котором выходные данные модели изменяются в одном направлении при изменении входных данных. Это важно в задачах, где такие зависимости известны заранее, например, в экономике или науке. Hacker News · Машинное обучение Новый подход к законам масштабирования может изменить обучение ИИ-моделей Исследователи из Стэнфордского университета предложили новый подход к законам масштабирования, который может существенно повлиять на процесс обучения искусственных нейронных сетей. Традиционные законы масштабирования описывают, как увеличение размера модели и объёма данных влияет на её производительность. Однако новый метод позволяет более точно предсказывать, как изменения в архитектуре модели и данных повлияют на её точность и эффективность. Hacker News · Оркестрация агентов Data-Parallel Thinking: новые подходы к распараллеливанию задач Исследователи из Стэнфорда представили работу «Data-Parallel Thinking», в которой рассматриваются современные подходы к распараллеливанию задач в контексте обработки больших данных и распределённых вычислений. В документе подробно разбираются методы оптимизации, которые могут быть полезны при разработке ИИ-агентов, особенно в части эффективного использования вычислительных ресурсов.

← Все материалы