conformal Lyapunov 优化：确定性可靠性约束下的最优资源分配
机器学习
2025-03-04 v1
摘要
本文引入conformal Lyapunov 优化（CLO），一种用于网络系统的资源分配框架，旨在优化平均长期目标，同时满足确定性长期可靠性约束。与传统Lyapunov 优化（LO）不同，后者解决的是在平均长期约束条件下进行资源分配，而CLO提供了形式化的恶化情况确定性可靠性保证。这是通过将标准LO优化框架与在线conformal 风险控制（O-CRC）集成实现的，后者是一种控制长期风险的自适应更新机制。通过实验验证了CLO的有效性，实验针对的是面向图像分割任务的分层边缘推断，构建了网络计算架构。具体而言，仿真结果表明，CLO能够控制可靠性约束——即通过网络中所有分割决策的假阴性率——同时最小化能源消耗与精度损失的加权和，其中后者计入假阳性率。
引用
@article{arxiv.2503.00485,
title = {Homomorphism Expressivity of Spectral Invariant Graph Neural Networks},
author = {Jingchu Gai and Yiheng Du and Bohang Zhang and Haggai Maron and Liwei Wang},
journal= {arXiv preprint arXiv:2503.00485},
year = {2025}
}
备注
42 pages