[논문 리뷰] Approximate Bayesian inference with queueing networks and coupled jump processes.

Iker Perez, Giuliano Casale|arXiv (Cornell University)|2018. 07. 23.

Markov Chains and Monte Carlo Methods참고 문헌 18인용 수 3

한 줄 요약

이 논문은 다양한 서비스 정책을 가진 개방형 및 폐쇄형 시스템에서 일시적인 불확실성 정량화를 다루며, 대용량 추론을 위한 확장 가능한 변분 베이지안 프레임워크를 소개한다. 모델 증강과 확률적 근사 기법을 활용함으로써 기존 방법이 계산 복잡성으로 인해 실패하는 상황에서도 효율적인 추론을 가능하게 한다.

ABSTRACT

Queueing networks are systems of theoretical interest that give rise to complex families of stochastic processes, and find widespread use in the performance evaluation of interconnected resources. Yet, despite their importance within applications, and in comparison to their counterpart stochastic models in genetics or mathematical biology, there exist few relevant approaches for transient inference and uncertainty quantification tasks in these systems. This is a consequence of strong computational impediments and distinctive properties of the Markov jump processes induced by queueing networks. In this paper, we offer a comprehensive overview of the inferential challenge and its comparison to analogue tasks within related mathematical domains. We then discuss a model augmentation over an approximating network system, and present a flexible and scalable variational Bayesian framework, which is targeted at general-form open and closed queueing systems, with varied service disciplines and priorities. The inferential procedure is finally validated in a couple of uncertainty quantification tasks for network service rates.

연구 동기 및 목표

• 성능 평가에 널리 사용되지만 일시적 추론 및 불확실성 정량화 방법이 부족한 대기열 네트워크 문제를 해결하기 위해.
• 대기열 시스템에서 복잡한 마르코프 점프 과정으로 인해 기존 베이지안 추론이 저해되는 계산적 과제를 극복하기 위해.
• 다양한 서비스 정책과 우선순위를 가진 개방형 및 폐쇄형 대기열 네트워크에 적용 가능한 융통성 있고 확장 가능한 변분 추론 방법을 개발하기 위해.
• 네트워크 서비스 속도에 대한 실제 불확실성 정량화 작업에서 프레임워크를 검증하기 위해.

제안 방법

• 후행 분포의 구조를 단순화하고 추론 가능성을 보장하기 위해 근사 네트워크 시스템에 대한 모델 증강 기법을 적용한다.
• 기각 가능한 후행 분포를 다루기 위해 유계 변분 가족을 사용하는 변분 베이지안 프레임워크를 도입한다.
• 일반형 대기열 시스템, 즉 임의의 서비스 정책과 우선순위 규칙을 가진 개방형 및 폐쇄형 네트워크를 모두 처리할 수 있도록 설계된다.
• 변분 매개변수를 최적화하기 위해 확률적 근사 기법을 사용하여 확장성과 수렴성을 확보한다.
• 대기열 네트워크의 구조를 활용하여 기반 역학을 존중하는 효율적이고 구조화된 변분 분포를 정의한다.

실험 결과

연구 질문

• RQ1 복잡한 역학을 가진 일시적 대기열 네트워크 모델에 대해 근사 베이지안 추론을 효과적으로 적용할 수 있는 방법은 무엇인가?
• RQ2 개방형 및 폐쇄형 대기열 시스템을 모두 다룰 수 있는 유연하고 확장 가능한 추론 프레임워크는 무엇인가?
• RQ3 계산적으로 비가역적인 상황에서 베이지안 방법을 사용해 네트워크 서비스 속도의 불확실성을 어떻게 정량화할 수 있는가?
• RQ4 정확도를 유지하면서 정확한 방법에 비해 계산 효율성을 향상시키는 데 있어 제안된 변분 프레임워크의 성능은 어느 정도인가?

주요 결과

• 제안된 변분 베이지안 프레임워크는 정확한 방법이 계산적으로 불가능한 복잡한 대기열 네트워크에서 확장 가능하고 융통성 있는 추론을 가능하게 한다.
• 모델 증강 전략은 핵심 시스템 역학과 불확실성 특성을 유지하면서도 후행 분포를 효과적으로 단순화한다.
• 프레임워크는 네트워크 서비스 속도의 불확실성을 성공적으로 정량화하여 성능 평가 작업에서 실용적 유용성을 입증한다.
• 다양한 서비스 정책과 우선순위 규칙에 걸쳐 정확도를 유지하며, 대기열 시스템의 구조적 변형에 대해 강건함을 보여준다.