Hephaestus：基于能量引导的大规模QoS退化混合生成建模
机器学习
2025-10-21 v1
摘要
我们研究了Quality of Service Degradation（QoSD）问题，即对方对边缘权重进行扰动以降低网络性能。这种设置既存在于网络基础设施中，也存在于分布式机器学习系统中，通信质量而非仅仅是连通性，决定了功能性。虽然经典方法依赖于组合优化，近期的机器学习方法仅针对受限的线性变体和小型网络，但尚无模型直接解决在非线性边缘权重函数下的QoSD问题。本工作提出了PIMMA，一个自我强化的生成框架，用于在潜在空间中合成可行解。我们的方法包括三个阶段：（1）铸造阶段，采用Predictive Path-Stressing（PPS）算法，该算法使用图学习和逼近来产生具有性能保证的可行解；（2）形态阶段，提出一种新的理论依据的训练范式，用于Mixture of Conditional VAEs，通过能量模型引导捕获解题特征分布；（3）精炼阶段，采用强化学习智能体探索此空间，通过设计的可微奖励函数生成逐渐接近最优的解。在合成和真实网络上的实验表明，我们的方法在非线性成本函数场景下始终优于经典和机器学习基线，尤其是在传统方法难以泛化的场景中。
引用
@article{arxiv.2510.17036,
title = {Hephaestus: Mixture Generative Modeling with Energy Guidance for Large-scale QoS Degradation},
author = {Nguyen Do and Bach Ngo and Youval Kashuv and Canh V. Pham and Hanghang Tong and My T. Thai},
journal= {arXiv preprint arXiv:2510.17036},
year = {2025}
}
备注
62 pages, 19 figures, Neural Information Processing Systems (NeurIPS 2025)