PyTorchKR Papers

최신 논문

총 16편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10926v1cs.LG

강화학습 및 게임 이론을 활용한 자원 제약 차량 사물 인터넷 환경용 적응형 다중 판별자 WGAN 프레임워크

Adaptive Multi-Discriminator WGAN Framework for Resource-Constrained Internet of Vehicles Using Reinforcement Learning and Game Theory

머신러닝 워크로드를 네트워크 서비스로 관리하는 것은 기존의 모델 학습(training)과는 다른 자원 오케스트레이션 문제를 발생시킵니다. 즉, 어떤 노드(node)를 작업에 할당해야 하는지, 통신 및 연산 예산을 노드 간에 어떻게 분배해야 하는지, 그리고 이동성에 따라 연결성과 노드 가용성이 변화할 때 서비스 품질을 어떻게 유지해야 하는지의 문제입니다. 차량 사물 인터넷(IoV) 환경에 생성적 적대 신경망(GAN)을 배포하는 것은 이러한 문제의 대표적인 고난도 사례입니다. 자원 제약, 동적인 네트워크 토폴로지, 그리고 상충하는 최적화 목표로 인해 기존 GAN 아키텍처는 높은 정확도, 효율적인 자원 사용, 낮은 지연 시간, 낮은 통신 오버헤드를 동시에 달성할 수 없습니다. 본 논문에서는 이러한 문제를 종합적으로 해결하기 위해 강화학습(reinforcement learning)과 게임 이론 기반 조율을 통합한 적응형 다중 판별자 바서슈타인 GAN(MD-WGAN) 프레임워크를 제안합니다. 제안하는 프레임워크에서는 노변 기지국(RSU)이 판별자 하위 집합을 선택하고 이동 차량 노드 전반의 분산 학습을 관리하는 심층 Q 네트워크(DQN) 에이전트와 결합된 생성자를 호스팅하며, 게임 이론 기반 조율 단계를 통해 생성자와 판별자 간의 학습 에포크를 할당합니다. 통합 최적화 목적 함수는 차량 환경의 제약 조건 하에서 적대적 학습 품질을 자원 효율성, 통신 오버헤드, 지연 시간과 연계하여, 네트워크 조건이 변함에 따라 프레임워크가 학습 동작을 지속적으로 적응시킬 수 있도록 합니다. 실제 NGSIM 궤적 데이터를 활용한 평가 결과, 본 프레임워크는 최고 수준의 최신 GAN 베이스라인과 대등한 예측 정확도를 달성하여 평가된 모든 방법 중 가장 낮은 RMSE(1.029) 및 MAE(0.894)를 기록하는 동시에, 경쟁력 있는 통신 오버헤드와 지연 시간을 유지하면서 평균 CPU 사용률을 약 28%, 평균 메모리 사용량을 약 6% 대폭 절감하여 자원 효율성을 뚜렷하게 향상시킴을 입증했습니다.

arXiv:2508.19073v4cs.DC

AEGIS: 멀티 테넌트 딥러닝 학습을 위한 런타임 유도 기반 GPU 코로케이션

AEGIS: Runtime-Guided GPU Collocation for Multi-Tenant Deep Learning Training

심층 학습(deep learning) 학습(training)은 흔히 공유된 멀티 테넌트 GPU 서버에서 실행되며, 여기서 독점적 할당은 격리성을 제공하지만 자원 활용도를 낮추고 대기열 대기 시간을 늘릴 수 있습니다. 코로케이션(collocation, 함께 배치)은 효율성을 높일 수 있지만, 간섭을 고려하지 않은 배치는 심각한 속도 저하를 유발할 수 있으며, 부정확한 메모리 정보는 OOM(out-of-memory) 오류로 이어질 수 있습니다. 본 논문에서는 공유 멀티 GPU 서버에서 심층 학습 학습 워크로드의 제어된 코로케이션을 지원하는 서버 규모의 런타임 스케줄링 시스템인 AEGIS를 제시합니다. AEGIS는 메모리 실현 가능성, 배치 후 관측, 런타임 압력 필터링, 배치 및 OOM 인식 복구를 단일 스케줄링 루프에 통합합니다. 배치 후 AEGIS는 추가 코로케이션을 허용하기 전에 워크로드 활동을 관측한 다음, 오버헤드가 적은 원격 측정을 사용하여 GPU가 추가 작업을 안전하게 수용할 수 있는지 판단합니다. OOM 오류 발생 시 점진적으로 더 안전한 메모리 조건에서 재시도를 트리거하며, 궁극적으로는 독점 실행으로 폴백합니다. 이러한 온라인 방식은 비용이 많이 드는 오프라인 쌍별 호환성 프로파일링(profiling)을 피할 수 있게 합니다. 비전, 트랜스포머(Transformer), 추천 및 LLM 스타일 워크로드를 세 가지 실제 운영 파생 트레이스에 걸쳐 사용하여 AEGIS를 평가합니다. AEGIS는 기하평균 메이크스팬(makespan)을 Lucid 대비 16%, Horus 대비 21%, 독점 할당 대비 27% 줄입니다. 민감도 연구에 따르면 활동 기반 관측 및 런타임 압력 필터링이 보수적인 격리와 간섭 무시 코로케이션 간의 균형을 맞추어, 공유로 인한 작업별 속도 저하를 제한하면서도 메이크스팬을 개선함을 보여줍니다.

arXiv:2610.02334v1cs.IT

모바일 체화 AI 네트워크(MEAN)를 위한 이동 및 압축률 공동 설계

Joint Movement and Compression Ratio Design for Mobile Embodied AI Networks (MEAN)

모바일 체화 AI 네트워크(MEAN)는 체화 에이전트(embodied agent)가 무선 환경에서 인지, 추론, 통신 및 행동할 수 있도록 지원합니다. 이러한 네트워크에서 에이전트의 이동성은 채널 상태를 개선할 수 있으며, 시맨틱 압축(semantic compression)은 전송 페이로드를 줄일 수 있습니다. 그러나 이동은 에너지를 소비하고, 더 강한 압축은 추가적인 계산 비용을 발생시킵니다. 본 논문은 업링크 MEAN 시스템을 위한 이동, 시맨틱 압축, 송신 전력 공동 설계를 연구합니다. 제어 가능한 전력 제약 조건 하에서 송신 전력, 이동 거리, 시맨틱 압축률을 공동으로 최적화(optimization)하여 최소 에너지 효율(EE)을 최대화하는 맥스-민(max-min) 문제를 공식화합니다. 이 문제는 결합된 신호 대 간섭 및 잡음비(SINR), 이동성에 의존하는 채널 이득, 분수 형태의 EE 목적 함수로 인해 비볼록(non-convex) 문제입니다. 이를 해결하기 위해 교차 최적화(AO)-딘켈바흐(Dinkelbach) 알고리즘을 제안하며, 여기서 분수 형태의 목적 함수는 딘켈바흐 변환으로 처리되고, 송신 전력은 순차적 볼록 근사(SCA)를 통해 업데이트되며, 이동 거리는 좌표별 그리드 탐색을 통해 업데이트됩니다. 시뮬레이션 결과는 제안된 기법이 이동성이 없는 기준선(baseline)과 압축이 없는 기준선보다 우수한 성능을 보여주며, MEAN에서 이동성 제어, 시맨틱 압축, 전력 할당을 공동으로 활용하는 것의 이점을 입증합니다.

arXiv:2509.18088v2cs.MA

미래의 타협 없는 최적화가 가능한가? 집합 통신 및 강화학습을 통한 탈중앙화된 조율

Optimization without Future Compromises? Decentralized Coordination via Collective and Reinforcement Learning

다중 에이전트 시스템에서 효율적인 자원 할당은 자율 에이전트가 개별 비용과 시스템 전반의 목표 사이에서 균형을 맞추며 의사결정을 조율할 것을 요구합니다. 이러한 문제는 시간 범위가 길어질수록 더욱 어려워지는데, 탈중앙화된 에이전트가 전체 시스템에 대한 제한된 관측만을 가지는 상황에서 현재의 할당을 개선하는 결정이 미래의 자원 할당을 저해할 수 있기 때문입니다. 다중 에이전트 강화학습(MARL)은 국소적 관측을 통해 이러한 장기적 의존성을 학습할 수 있지만, 대규모 조율에 직접 적용할 경우 결정 공간이 급격히 증가하고 비효율적인 학습으로 이어집니다. 이를 해결하기 위해, 본 논문에서는 탈중앙화된 다중 에이전트 조율을 대체하기보다는 MARL을 활용하여 이를 안내하는 계층적 프레임워크인 계층적 강화 및 집합 통신 학습(HRCL)을 제안합니다. 상위 수준에서 MARL은 조율 과정 중 고려되는 대안들을 제한하고 에이전트가 시스템 전반 및 개별 목표의 균형을 맞추도록 안내하는 전략을 학습합니다. 하위 수준에서는 에이전트가 이러한 전략적 안내에 따라 효율적인 탈중앙화 조율을 수행합니다. 이러한 분리를 통해 학습 공간이 축소되고 단기적인 조율 트레이드오프를 장기적 영향에 따라 평가할 수 있게 됩니다. 합성 벤치마크에 대한 실험 결과, HRCL은 단독 MARL보다 상당히 빠르게 수렴하며 시스템 전반 및 개별 비용을 각각 35.53%와 27.05% 절감함을 보여줍니다. 또한 에너지 자체 관리 및 드론 군집 감지에 대한 평가를 통해 향상된 자원 할당, 전력 피크 조절, 감지 효율성을 추가로 입증합니다. 이러한 결과는 기존 조율 프로세스에 대한 전략적 안내를 학습함으로써 단기적인 결정이 미래의 자원 할당을 저해하지 않으면서도 확장 가능한 탈중앙화 조율을 유지할 수 있음을 보여줍니다.

arXiv:2506.18748v2eess.SP

이중 변수 회귀를 활용한 무선 자원 할당을 위한 빠른 상태 증강 학습

Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression

다중 사용자 무선 네트워크에서의 자원 할당 문제를 다루며, 목표는 사용자들의 에르고딕 평균 성능에 대한 제약 조건 하에서 네트워크 전체 효용 함수를 최적화하는 것이다. 자원 할당 정책에 대한 상태 증강 그래프 신경망(GNN) 매개화가 네트워크 구성(또는 상태)을 그래프로 표현하고, 이중 변수를 그래프 위에 정의된 그래프 신호로 취급하여 모델의 동적 입력으로 보는 방식으로, 널리 쓰이는 이중 부그래디언트 방법의 단점을 어떻게 우회하는지 보여준다. 라그랑지안을 최대화하는 상태 증강 정책은 오프라인 학습 단계에서 학습되며, 추론 단계에서는 학습된 상태 증강 정책을 실행하면서 이중 변수가 그래디언트 업데이트를 통해 진화한다. 주요 기여는 이중 변수 회귀를 통해 보조 GNN 매개화를 활용하여 더 빠른 추론을 위한 이중 승수의 근최적 초기화를 어떻게 달성할 수 있는지, 그리고 이중 하강 역학에서 샘플링된 승수에 대해 라그랑지안을 최대화하는 것이 상태 증강 모델의 학습을 어떻게 크게 향상시키는지를 보여주는 것이다. 송신 전력 제어에 대한 사례 연구에서 광범위한 수치 실험을 통해 제안 알고리즘의 우수한 성능을 입증한다. 마지막으로, 이중 함수(반복) 최적성 간격의 이탈에 대한 수렴 결과와 지수적 확률 경계를 증명한다.

arXiv:2607.22400v1cs.NI

자율 엣지 자원 할당을 위한 자기 보정 에이전틱 AI 프레임워크

A Self-Calibrating Agentic AI Framework for Autonomous Edge Resource Allocation

대규모 언어 모델(LLM)은 점점 더 자율 에이전트로 배포되며, 정적 대화형 인터페이스에서 복잡한 추론, 도구 실행, 의사결정이 가능한 동적 시스템으로 전환되고 있다. 그러나 이러한 에이전틱 AI 시스템의 운영 신뢰성은 개방형 환경에서 신뢰할 수 있는 ground truth(기준 진실값)의 부재와 시간이 지남에 따라 운영 드리프트가 증가할 위험에 의해 근본적으로 도전받는다. 이 문제를 해결하기 위해, LLM 기반 시스템 내에서 자율적 무결성을 강제하도록 설계된 에이전틱 AI 프레임워크를 제안하고 실험적으로 평가한다. 우리는 지속적인 인간 감독 없이 ARIMA 예측기(forecaster)를 통합하여 드리프트를 완화하고 ground truth를 동적으로 근사하는 자기 보정(self-calibration) 메커니즘을 설계한다. 방법론의 효과와 신뢰성을 입증하기 위해, 엣지 컴퓨팅 네트워크에서 영지식(zero-knowledge) 워크로드의 자원 사용량 프로파일링이라는 복잡한 영역에 이를 적용한다. 실험 결과, 제안된 자기 보정 에이전틱 프레임워크가 영지식 워크로드를 성공적으로 프로파일링하며, 자원 사용량 예측에서 기준선 LLM 에이전트보다 91.7% 더 높은 정확도를 달성하고, 순수 프로파일링 대비 예측 속도를 71.7% 개선하여, 분산 인프라에 자율 AI를 배포하기 위한 견고한 기반을 마련함을 보여준다. 또한, 제안된 ARIMA leaping 알고리즘을 사용한 ground truth 생성은 동일한 정확도를 달성하면서 표준 ARIMA 예측 알고리즘보다 52% 더 빠르다.

arXiv:2607.20542v1cs.LG

의사결정 인식 기계학습을 통한 필수 의약품 접근성 개선

Improving Access to Essential Medicines via Decision-Aware Machine Learning

저소득 및 중간소득 국가(LMIC)의 의료 시스템에서 중요한 과제는 희소 자원, 특히 필수 의약품의 효율적이고 공평한 배분이다. 이 문제는 고품질 데이터가 제한되어 전통적인 데이터 기반 기법의 적용 가능성을 제약한다는 점에서 더욱 복잡하다. 우리는 필수 의약품 배분을 위한 새로운 의사결정 인식 기계학습 프레임워크를 제안하며, 이는 샘플 효율성(sample efficiency)을 보장하기 위해 다중 작업 학습(multi-task learning)을, 공평한 배분을 보장하기 위해 촉매적 사전분포(catalytic priors)를 추가로 활용한다. 시에라리온(Sierra Leone) 정부와 협력하여, 우리는 의사결정 지원 도구로서 우리 시스템의 단계적 전국 배포를 수행했다. 우리의 계량경제학적 평가(econometric evaluation)는 처리군 지역에서 배분된 제품의 소비가 약 19% 증가한 것으로 추정되며, 이는 필수 의약품 접근성 개선에 대한 효과를 보여준다. 우리 도구는 이후 전국으로 확대되어 약 200만 명의 여성과 5세 미만 아동을 대상으로 하였다. 본 연구는 자원이 제한된 글로벌 보건 환경에서 기계학습 방법이 매우 낮은 비용으로 효율성을 개선할 수 있음을 보여준다.

arXiv:2507.09473v2cs.GT

제약 조건 하 온라인 자원 배분에서의 효율성, 실행 가능성, 및 인센티브 인식

Efficiency, Feasibility, and Incentive-Awareness in Constrained Online Resource Allocation

장기 제약 조건 하에서 전략적 에이전트(agent)에게 분할 불가 자원을 동적으로 배분하는 문제를 연구한다. 계획자는 사회적 후생(social welfare)을 극대화하고, 여러 제약을 만족하며, 거의 진실에 가까운(near-truthful) 보고를 유도하는 것을 목표로 한다. 표준 프라이멀-듀얼(primal-dual) 방법이 이 설정에서 취약함을 발견한다: 에이전트는 듀얼 변수(dual variables)를 왜곡하기 위해 보고를 쉽게 조작하여, 개인 효용을 위해 사회적 효율성을 희생한다. 이를 해결하기 위해 Incentive-Aware Primal-Dual(IAPD) 프레임워크를 제안한다. 프라이멀 측면에서, 조작을 억제하기 위해 세 가지 구성 요소를 통합한다: VCG 기반 지불(payment)은 즉각적인 허위 보고(misreporting) 이득을 중화하고, 에포크 기반 지연(lazy) 업데이트와 무작위 탐험(exploration)이 함께 잠재적 미래 이득이 즉각적 페널티에 의해 상쇄되도록 보장한다. 듀얼 측면에서, 지연 업데이트로 인한 학습 장벽—우리가 "인센티브의 대가(price of incentives)"라고 부르는 것—을 극복하기 위해 새로운 낙관적(optimistic) 온라인 학습 알고리즘 O-FTRL-FP를 설계한다. 이는 고정점(fixed-point) 오라클(oracle)을 활용하여 낙관적 듀얼 변수와 그에 따른 배분(allocation) 사이의 순환 의존성(circular dependency)을 해소한다. 궁극적으로, 우리의 메커니즘은 $\tilde{\mathcal O}(\sqrt T)$ 사회적 후생 regret을 달성하고, 모든 장기 제약을 만족하며, 거의 진실에 가까운 균형(near-truthful equilibrium)을 유도한다. 또한 다단위(multi-unit) 다수요(multi-demand) 배분 문제로 자연스럽게 일반화된다. 특히, 이 $\tilde{\mathcal O}(\sqrt T)$ regret은 비전략적(non-strategic) $Ω(\sqrt T)$ 하한(lower bound)에 거의 부합하며, 인센티브 인식을 거의 비용 없이 수용할 수 있음을 보여준다.

arXiv:2607.13160v1cs.IT

능동 비대각선 RIS 기반 이질적 엣지 컴퓨팅: 분포형 강화학습 접근법

Active Beyond-Diagonal RIS Empowered Heterogeneous Edge Computing: A Distributional Reinforcement Learning Approach

능동형 비대각선 재구성 가능 지능 표면(active beyond-diagonal reconfigurable intelligent surface, BD-RIS)은 하이브리드 송신 및 반사 모드를 통해 효과적인 신호 증폭과 전공간 커버리지를 달성할 수 있어, 이질적 모바일 엣지 컴퓨팅(MEC) 시스템에서 차단을 고려한 업링크 오프로딩에 유망한 해결책을 제공한다. 그러나 실용적인 하이브리드 모드 능동형 BD-RIS는 상호(reciprocal) 장치로 구현되며, 이는 본질적으로 교차 섹터(cross-sector) 에너지 누설을 발생시켜 시스템 수준의 에너지-지연 트레이드오프를 재구성한다. 본 논문은 상호형 능동 BD-RIS 지원 이질적 MEC에서 에너지 인식 오프로딩과 자원 할당을 연구하며, 오프로딩 결정, CPU/GPU 연산 할당, 송신 전력, 수신 처리, 능동 BD-RIS가 밀접하게 결합되어 있다. 그 결과 도출되는 문제는 고차원 혼합 정수 비볼록 문제이며, 기존의 인스턴스별 최적화로는 효율적으로 풀기 어렵다. 이 과제에 대응하기 위해, 분포형 소프트 액터-크리틱(distributional soft actor-critic) 알고리즘의 개선 버전인 DSAC-T를 기반으로 한 종단 간(end-to-end) 공동 최적화 프레임워크를 제안한다. 기대값만이 아니라 수익(return) 분포를 모델링함으로써, DSAC-T는 보상 이질성 및 실행 가능성 경계 민감성 하에서 정책 안정성을 향상시킨다. 다른 기준선 알고리즘과 비교할 때, DSAC-T는 최고의 에너지-지연 보상, 81.67%의 최고 실행 가능 비율, 시나리오당 0.0267초의 빠른 온라인 의사결정 시간을 달성한다.

arXiv:2607.13007v1cs.AI

앙상블 결정화 MCTS를 위한 동적 자원 할당

Dynamic Resource Allocation for Ensemble Determinization MCTS

시뮬레이션 기반 알고리즘은 무작위성과 은닉 정보 요소가 크게 포함된 적대적 보드 게임과 같은 고불확실성 환경에 특히 적합하다. 특히 그러한 영역에서는 여러 몬테카를로 트리 탐색(MCTS) 변형이 일반적으로 사용된다. 본 논문에서는 앙상블 결정화 MCTS에 대한 일련의 개선을 제안하며, 동적 자원 할당을 위한 두 축을 도입한다. 첫째, 동적 결정화 수(Dynamic Number of Determinizations)는 지금까지의 탐색 동작에 따라 현재 사용 중인 결정화 트리의 수를 늘리거나 줄인다. 둘째, 동적 시뮬레이션 할당(Dynamic Simulation Allocation)은 시뮬레이션 간 결정을 통해 잠재적으로 가장 큰 지식 이득을 얻을 수 있는 트리를 선택하면서, 결정화 트리들에 걸쳐 시뮬레이션 예산을 비균등하게 분배한다. 벤치마크 영역으로는 세 가지 인기 보드 게임인 Jaipur, Lost Cities, Splendor를 사용했다. 제안한 개선을 반복 기반 및 시간 기반 설정에서 테스트한 결과, 특정 구성이 알고리즘의 강도를 통계적으로 유의미하게 향상시킴을 보였다.

arXiv:2607.09802v1cs.LG

Quota Marketplace: ML 학습 자원의 효율적 할당을 위한 동적 가격 책정

Quota Marketplace: Dynamic Pricing for Efficient Allocation of ML Training Resources

최근 몇 년간 머신러닝(ML) 학습 자원에 대한 수요가 급증하면서 높은 수요와 가용 공급 사이에 상당한 격차가 발생했습니다. 이처럼 희소하고 비용이 많이 드는 자원의 효율적 할당은 조직이 투자 대비 수익을 극대화하는 데 매우 중요합니다. Karma [OSDI'23]와 같은 기존 자원 할당 메커니즘은 동적(시변) 사용자 수요 환경에서 파레토 효율성(Pareto efficiency)과 최대-최소 공정성(max-min fairness)을 보장하도록 설계되어 있으나, 이질적인 가치를 지닌 수요가 존재할 경우 이러한 핵심 특성을 유지하지 못합니다. 조직 내 다양한 워크로드의 가치 이질성이 보편적이고 불가피한 현실을 감안할 때, 효과적인 자원 할당 정책은 이러한 변동성을 수용해야 합니다. 본 논문에서는 이질적인 가치를 지닌 수요 시나리오를 명시적으로 처리하여 ML 학습 칩(GPU 등)을 효율적으로 할당하는 시장 기반 메커니즘인 Quota Marketplace의 설계, 구현, 배포 및 이론적 분석을 기술합니다. Google 내부에서의 구현 과정을 상세히 설명하고 그 영향을 보여주는 지표를 제시합니다. 또한 Quota Marketplace가 효과적으로 처리하는 다양한 비즈니스 핵심 요구사항을 논의하고, 이를 통해 달성된 성과와 새롭게 열린 기회를 기록합니다. 이 시장 기반 접근법이 사용자로 하여금 워크로드의 가치를 표현하도록 하고 수요와 공급 변동에 기반한 동적 자원 가격 책정을 가능하게 함으로써 파레토 효율성과 최대-최소 공정성이라는 핵심 속성을 달성함을 이론적으로 증명합니다. 궁극적으로, 이 시장은 조직의 우선순위에 부합하는 자원 할당을 촉진합니다.

arXiv:2601.20753v4cs.LG

GraphAllocBench: 선호도 조건부 다목적 정책 학습을 위한 유연한 벤치마크

GraphAllocBench: A Flexible Benchmark for Preference-Conditioned Multi-Objective Policy Learning

도시 자원 배분을 그래프 기반 순차적 의사결정으로 모델링한 CityPlannerEnv 위에 구축된 GraphAllocBench는 사용자 정의 가능한 목적 함수, 다양한 선호도 조건, 복잡한 파레토 프론트(Pareto Front)를 갖춘 다목적 강화학습(MORL)용 벤치마크로, 기존 PCPL 벤치마크의 단순 태스크·고정 환경 한계를 극복한다. 하이퍼볼륨 지표를 보완하는 비지배 해 비율(PNDS)과 순서 점수(OS)를 새로 제안하고, 그래프 신경망(GNN) 기반 PCPL-PPO 실험을 통해 고차원 할당 문제에서 기존 지표로는 드러나지 않는 실패 모드를 규명했다.

arXiv:2406.02402v3math.OC공식 코드 · Papers with Code

소멸성 자원의 온라인 공정 배분

Online Fair Allocation of Perishable Resources

소멸성 자원의 온라인 공정 배분 문제에서 부러움 없음(envy-free)과 효율성 간의 근본적 트레이드오프 한계를 이론적으로 도출하고, 소멸 순서 예측과 목표 부러움 상한을 입력으로 받아 적응적 가드레일 기반 알고리즘을 설계하였다. 실제 식품 은행 데이터셋 기반 시뮬레이션에서 해당 알고리즘이 하한을 달성하는 우수한 성능을 보임과 동시에, 기존 소멸-무관 알고리즘들의 비효과성을 실증하였다.

arXiv:2607.02196v1cs.LG

Online Resource Allocation with Continuous Random Consumption: Regret under Degeneracy

보상과 소비 크기가 모두 연속 분포를 따르는 온라인 자원 배분 문제에서, 유체 완화(fluid relaxation)의 비퇴화(non-degeneracy) 가정 없이 후회(regret)를 특징짓는 분포 지수 p를 도입하여, p=1일 때 O((log T)²), p>1일 때 O(T^{1/2−1/(2p)} polylog T)의 상한과 일치하는 하한을 증명한다. 샘플 경로 마진 정책(sample-path marginal policy)이 이 경계를 달성하며, 이는 쌍대 비유일성(dual non-uniqueness)과 원시 퇴화(primal degeneracy)를 모두 허용하면서도 o(√T) 후회를 보장한다.

arXiv:2606.20590v1cs.NI

다중 에이전트 대규모 언어 모델 기반 무선 접속망 Optimization-as-a-Service

Optimization-as-a-Service via Multi-Agent Large Language Model for Radio Access Networks

무선 접속망(RAN)에서 물리 자원 블록(PRB) 할당은 전통적으로 사례별 수동 문제 구성에 의존해 왔으며, 최근에는 학습 기반 인공지능(AI) 방법을 사용하기도 한다. 그러나 6세대(6G) RAN 환경은 전례 없는 서비스 다양성과 기하급수적 동역학에 직면하며, 활성 기지국(BS), 사용자 규모, 엄격한 서비스 품질(QoS) 요구사항의 변동성 있는 변화를 특징으로 한다. 이러한 조건에 직면했을 때, 수동 모델과 표준 AI 알고리즘 모두 근본적으로 경직되어 적응하고 자기 진화할 유연성이 부족하다. 만능 솔루션을 제공하기 위해, 우리는 PRB 할당 문제를 대규모 언어 모델 다중 에이전트(LLM-MA) 시스템이 제공하는 Optimization-as-a-Service(OaaS)로 취급할 것을 제안한다. 이는 에이전트를 활용해 최적화 문제를 동적으로 구성하고 실시간 시나리오에 맞춘 목표를 자동으로 결정함으로써 RAN 자원 할당을 근본적으로 재구성한다. 장면 이해, 목표 생성, 솔버, reflection 에이전트를 통합한 우리의 폐루프 아키텍처는 컨텍스트 인식적이고 자기 수정적인 공식화를 가능하게 한다. 반복적 reflection의 계산 지연을 제거하기 위해, 우리는 원샷 reflection 증류 메커니즘을 도입하여 경량 학생 모델이 정제된 목표 매개변수를 직접 예측하도록 학습한다. 우리는 이 원샷 정책의 성능 격차를 이론적으로 한정한다. 실험 결과는 우리 프레임워크가 초저지연 추론으로 거의 최적에 가까운 자원 할당을 달성함을 보여준다.

arXiv:2606.18679v1cs.DS

공정한 온라인 자원 할당

Fair Online Resource Allocation

우리는 난민 정착이나 항공 스케줄링과 같은 응용을 동기로 한 공정한 온라인 자원 할당 문제를 연구한다. 여기서 에이전트(agent)는 순차적으로 도착하며 용량이 제한된 시설에 배정되어야 한다. 우리는 자원 제약과 리프시츠(Lipschitz) 공정성 요구 조건 하에서 전체 복지(welfare)를 극대화하는 모델을 제안한다. 이 요구 조건은 같은 배치에 도착한 유사한 에이전트가 유사한 기대 결과를 받도록 보장한다. 먼저 오프라인 문제를 분석하여, 최적 공정 할당의 값이 최적 비공정 할당의 최소 $Ω(1/γ)$ 비율임을 증명한다. 여기서 $γ$는 공정성 계수이며, 이를 통해 공정성의 대가(price of fairness)를 한정한다. 온라인 설정에서는 배치 내에서 공정성 제약을 강제하면서 최적 이중 변수(dual variables)를 추정하는 이중 미러 하강(dual mirror descent) 기반 알고리즘을 제안한다. 이 알고리즘이 최적 오프라인 유체(fluid) 벤치마크에 대해 아선형(sublinear) 후회(regret)를 달성함을 증명한다. 마지막으로 Refugee Economies Programme의 실제 데이터를 사용하여 이론적 결과를 검증하고, 알고리즘의 성능을 보여 주며 복지 극대화와 공정성 강제 사이의 트레이드오프를 분석한다.