Buchumschlag

Symmetry-Preserving Architecture for Multi-NUMA Environments (SPANE): A Deep Reinforcement Learning Approach for Dynamic VM Scheduling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chan, Tin Ping, Cheng, Yunlong, Zhu, Yizhan, Gao, Xiaofeng, Chen, Guihai
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Diffusion Model-based Reinforcement Learning for Version Age of Information Scheduling: Average and Tail-Risk-Sensitive Control
von: Pan, Haoyuan, et al.
Veröffentlicht: (2026)

Reinfier and Reintrainer: Verification and Interpretation-Driven Safe Deep Reinforcement Learning Frameworks
von: Yang, Zixuan, et al.
Veröffentlicht: (2024)

Towards VM Rescheduling Optimization Through Deep Reinforcement Learning
von: Ding, Xianzhong, et al.
Veröffentlicht: (2025)

Personalized Federated Deep Reinforcement Learning for Heterogeneous Edge Content Caching Networks
von: Li, Zhen, et al.
Veröffentlicht: (2024)

A Deep Reinforcement Learning Approach for Cost Optimized Workflow Scheduling in Cloud Computing Environments
von: Jayanetti, Amanda, et al.
Veröffentlicht: (2024)

Dataset for: Validation of the Mexican Spanish Version of the Scale of Positive and Negative Experience (SPANE)
von: Daniel-González, Leopoldo, et al.
Veröffentlicht: (2019)

Beam Scheduling for Cross-Layer ISAC: A Deep Reinforcement Learning Approach
von: Wang, Xiyu, et al.
Veröffentlicht: (2026)

Federated Learning for Privacy-Preserving Medical AI
von: Hoang, Tin
Veröffentlicht: (2026)

n-VM: A Multi-VM Layer-1 Architecture with Shared Identity and Token State
von: Wang, Jian Sheng
Veröffentlicht: (2026)

Adaptive Multi‐Objective Coordinated Scheduling of Distribution Areas Based on Deep Reinforcement Learning
von: Xie Wenqiang, et al.
Veröffentlicht: (2026)

Job Scheduling in Hybrid Clouds With Privacy Constraints: A Deep Reinforcement Learning Approach
von: Haoyang He, et al.
Veröffentlicht: (2024)

PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction
von: Luo, Yang, et al.
Veröffentlicht: (2025)

Doubly-Dynamic ISAC Precoding for Vehicular Networks: A Constrained Deep Reinforcement Learning (CDRL) Approach
von: Yang, Zonghui, et al.
Veröffentlicht: (2024)

Delta: A Cloud-assisted Data Enrichment Framework for On-Device Continual Learning
von: Gong, Chen, et al.
Veröffentlicht: (2024)

Towards Dynamic Resource Allocation and Client Scheduling in Hierarchical Federated Learning: A Two-Phase Deep Reinforcement Learning Approach
von: Chen, Xiaojing, et al.
Veröffentlicht: (2024)

Semantic-aware Transmission Scheduling: a Monotonicity-driven Deep Reinforcement Learning Approach
von: Chen, Jiazheng, et al.
Veröffentlicht: (2023)

Joint QoS-Aware Scheduling and Precoding for Massive MIMO Systems via Deep Reinforcement Learning
von: Huang, Chih-Wei, et al.
Veröffentlicht: (2021)

Large Language Models to Enhance Multi-task Drone Operations in Simulated Environments
von: Feng, Yizhan, et al.
Veröffentlicht: (2026)

Decentralized Task Scheduling in Distributed Systems: A Deep Reinforcement Learning Approach
von: John, Daniel Benniah
Veröffentlicht: (2026)

A Negotiation-Based Multi-Agent Reinforcement Learning Approach for Dynamic Scheduling of Reconfigurable Manufacturing Systems
von: Sekar, Manonmani, et al.
Veröffentlicht: (2025)

Adaptive Two-Stage Cloud Resource Scaling via Hierarchical Multi-Indicator Forecasting and Bayesian Decision-Making
von: Luo, Yang, et al.
Veröffentlicht: (2024)

Dynamic Factor Allocation Leveraging Regime-Switching Signals
von: Shu, Yizhan, et al.
Veröffentlicht: (2024)

Schedule-and-Calibrate: Utility-Guided Multi-Task Reinforcement Learning for Code LLMs
von: Chen, Yujia, et al.
Veröffentlicht: (2026)

Physical Informed-Inspired Deep Reinforcement Learning Based Bi-Level Programming for Microgrid Scheduling
von: Li, Yang, et al.
Veröffentlicht: (2024)

Dynamic Deep Factor Graph for Multi-Agent Reinforcement Learning
von: Shi, Yuchen, et al.
Veröffentlicht: (2024)

Scalable Multi-agent Reinforcement Learning for Factory-wide Dynamic Scheduling
von: Jang, Jaeyeon, et al.
Veröffentlicht: (2024)

A Flexible Multi-Agent Deep Reinforcement Learning Framework for Dynamic Routing and Scheduling of Latency-Critical Services
von: Vitale, Vincenzo Norman, et al.
Veröffentlicht: (2025)

Partially Equivariant Reinforcement Learning in Symmetry-Breaking Environments
von: Chang, Junwoo, et al.
Veröffentlicht: (2025)

ATOM: Asynchronous Training of Massive Models for Deep Learning in a Decentralized Environment
von: Wu, Xiaofeng, et al.
Veröffentlicht: (2024)

Deep Q-Learning-Based Intelligent Scheduling for ETL Optimization in Heterogeneous Data Environments
von: Gao, Kangning, et al.
Veröffentlicht: (2025)

Structure-Enhanced Deep Reinforcement Learning for Optimal Transmission Scheduling
von: Chen, Jiazheng, et al.
Veröffentlicht: (2022)

Scale: Deep Reinforcement Learning for Container Scheduling in Serverless Edge Computing
von: Chen, Chen, et al.
Veröffentlicht: (2026)

Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement Learning Approach
von: He, Xingqiu, et al.
Veröffentlicht: (2023)

Sequential Multi-objective Multi-agent Reinforcement Learning Approach for Predictive Maintenance
von: Chen, Yan, et al.
Veröffentlicht: (2025)

Reinforcement Learning for Adaptive Resource Scheduling in Complex System Environments
von: Li, Pochun, et al.
Veröffentlicht: (2024)

Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach
von: Qiu, Shuang, et al.
Veröffentlicht: (2022)

Enhancing Courier Scheduling in Crowdsourced Last-Mile Delivery through Dynamic Shift Extensions: A Deep Reinforcement Learning Approach
von: Saleh, Zead, et al.
Veröffentlicht: (2024)

Graph-Enhanced Deep Reinforcement Learning for Multi-Objective Unrelated Parallel Machine Scheduling
von: Soykan, Bulent, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning-Based Scheduling for Wi-Fi Multi-Access Point Coordination
von: Nunez, David, et al.
Veröffentlicht: (2025)

AllReduce Scheduling with Hierarchical Deep Reinforcement Learning
von: Wei, Yufan, et al.
Veröffentlicht: (2025)