Buchumschlag

ADAPT: A Self-Calibrating Proactive Autoscaler for Container Orchestration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Baghel, Himanshu Singh
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FlashEvolve: Accelerating Agent Self-Evolution with Asynchronous Stage Orchestration
von: Hu, Zhengding, et al.
Veröffentlicht: (2026)

AAPA: An Archetype-Aware Predictive Autoscaler with Uncertainty Quantification for Serverless Workloads on Kubernetes
von: Zhang, Guilin, et al.
Veröffentlicht: (2025)

Quantifying Autoscaler Vulnerabilities: An Empirical Study of Resource Misallocation Induced by Cloud Infrastructure Faults
von: Park, Gijun
Veröffentlicht: (2026)

Incentivised Orchestrated Training Architecture (IOTA): A Technical Primer for Release
von: Quinque, Felix, et al.
Veröffentlicht: (2025)

GOGH: Correlation-Guided Orchestration of GPUs in Heterogeneous Clusters
von: Raeisi, Ahmad, et al.
Veröffentlicht: (2025)

An Ensemble Scheme for Proactive Dominant Data Migration of Pervasive Tasks at the Edge
von: Boulougaris, Georgios, et al.
Veröffentlicht: (2024)

Nexus:Proactive Intra-GPU Disaggregation of Prefill and Decode in LLM Serving
von: Shi, Xiaoxiang, et al.
Veröffentlicht: (2025)

Graph Neural Networks and Reinforcement Learning for Proactive Application Image Placement
von: Makris, Antonios, et al.
Veröffentlicht: (2024)

Runtime-Orchestrated Second-Order Optimization for Scalable LLM Training
von: Lu, Yishun, et al.
Veröffentlicht: (2026)

Intelligent Orchestration of Distributed Large Foundation Model Inference at the Edge
von: Koch, Fernando, et al.
Veröffentlicht: (2025)

Decentralized Orchestration Architecture for Fluid Computing: A Secure Distributed AI Use Case
von: Cajaraville-Aboy, Diego, et al.
Veröffentlicht: (2026)

PlexRL: Cluster-Level Orchestration of Serviceized LLM Execution for RLVR
von: Zhang, Yiqi, et al.
Veröffentlicht: (2026)

Time-Series Learning for Proactive Fault Prediction in Distributed Systems with Deep Neural Structures
von: Wang, Yang, et al.
Veröffentlicht: (2025)

MoE-SpeQ: Speculative Quantized Decoding with Proactive Expert Prefetching and Offloading for Mixture-of-Experts
von: Wang, Wenfeng, et al.
Veröffentlicht: (2025)

Orthogonal Calibration for Asynchronous Federated Learning
von: Zhang, Jiayun, et al.
Veröffentlicht: (2025)

Evaluating Container Orchestration for Neuromorphic Workloads in Virtual Edge Environments
von: Pham, Huyen, et al.
Veröffentlicht: (2026)

QAISim: A Toolkit for Modeling and Simulation of AI in Quantum Cloud Computing Environments
von: Singh, Irwindeep, et al.
Veröffentlicht: (2025)

An Interference-aware Approach for Co-located Container Orchestration with Novel Metric
von: Li, Xiang, et al.
Veröffentlicht: (2024)

FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler
von: Peng, Hongyi, et al.
Veröffentlicht: (2024)

EcoServe: Enabling Cost-effective LLM Serving with Proactive Intra- and Inter-Instance Orchestration
von: Du, Jiangsu, et al.
Veröffentlicht: (2025)

A Delta-Aware Orchestration Framework for Scalable Multi-Agent Edge Computing
von: Singh, Samaresh Kumar, et al.
Veröffentlicht: (2026)

Low-Latency Layer-Aware Proactive and Passive Container Migration in Meta Computing
von: Liu, Mengjie, et al.
Veröffentlicht: (2024)

SmartWatts: Self-Calibrating Software-Defined Power Meter for Containers
von: Fieni, Guillaume, et al.
Veröffentlicht: (2020)

Osmotic Learning: A Self-Supervised Paradigm for Decentralized Contextual Data Representation
von: Colosi, Mario, et al.
Veröffentlicht: (2025)

Calibre: Towards Fair and Accurate Personalized Federated Learning with Self-Supervised Learning
von: Chen, Sijia, et al.
Veröffentlicht: (2024)

AntDT: A Self-Adaptive Distributed Training Framework for Leader and Straggler Nodes
von: Xiao, Youshao, et al.
Veröffentlicht: (2024)

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

FedMSGL: A Self-Expressive Hypergraph Based Federated Multi-View Learning
von: Li, Daoyuan, et al.
Veröffentlicht: (2025)

Unicron: Economizing Self-Healing LLM Training at Scale
von: He, Tao, et al.
Veröffentlicht: (2023)

FloatSOM: GPU-Accelerated, Distributed, Topology-Flexible Self-Organizing Maps
von: Xu, Tony, et al.
Veröffentlicht: (2026)

Sentinel: Dynamic Knowledge Distillation for Personalized Federated Intrusion Detection in Heterogeneous IoT Networks
von: Singh, Gurpreet, et al.
Veröffentlicht: (2025)

Quasar: Quantized Self-Speculative Acceleration for Rapid Inference via Memory-Efficient Verification
von: Huang, Guang, et al.
Veröffentlicht: (2026)

Beyond Model Scale Limits: End-Edge-Cloud Federated Learning with Self-Rectified Knowledge Agglomeration
von: Wu, Zhiyuan, et al.
Veröffentlicht: (2025)

Efficient AllReduce with Stragglers
von: Devraj, Arjun, et al.
Veröffentlicht: (2025)

TD3-Sched: Learning to Orchestrate Container-based Cloud-Edge Resources via Distributed Reinforcement Learning
von: Song, Shengye, et al.
Veröffentlicht: (2025)

Optimizing Federated Learning for Scalable Power-demand Forecasting in Microgrids
von: Banerjee, Roopkatha, et al.
Veröffentlicht: (2025)

ALTO: Adaptive LoRA Tuning and Orchestration for Heterogeneous LoRA Training Workloads
von: Zuo, Jingwei, et al.
Veröffentlicht: (2026)

Understanding and Improving Communication Performance in Multi-node LLM Inference
von: Singhania, Prajwal, et al.
Veröffentlicht: (2025)

FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler
von: Li, Zilinghan, et al.
Veröffentlicht: (2023)

Orchestrating Agents and Data for Enterprise: A Blueprint Architecture for Compound AI
von: Kandogan, Eser, et al.
Veröffentlicht: (2025)