機械学習（ML）は、リソース管理やネットワークシミュレーションなどのシステム性能最適化にますます応用されています。しかし、従来のMLタスク（画像分類など）とは異なり、ネットワーク化システムは異種混合で長期稼働し、動的な環境状態で動作し、入力条件（ネットワーク負荷など）や運用目標が時間や設定に応じて変化します。既存の学習ベースシステムは適応のサポートが不十分であり、高コストなモデル訓練、大規模なデータ収集、システム性能の低下、応答性の低下を招いています。
これらの課題に対処するため、複数の研究機関からなるチームはEMAを提案しました。これは、学習ベースシステムが進化する環境に最小限の運用オーバーヘッドで適応するための初のモデル適応システムです。EMAはシステム駆動型のデータ中心アプローチを採用し、多様なシステム・モデル設計に対応しながら、2つの主要な展開課題に取り組みます。第一に、状態変換器を導入し、新しい環境の入力状態を以前に類似した状態に合わせることで、モデルが適応をウォームスタートできるようにし、高価なモデル訓練を削減します。状態変換器は、異なる環境間の状態空間を整列させる写像関数を学習し、新しい環境でも以前の知識を再利用できるようにします。第二に、見落とされがちで高コストなデータラベリングプロセス（システムの様々な判断を探求・訓練するための正解データ収集）に対し、高ユーティリティデータのラベリングを優先し、訓練コストとラベリングコストのトレードオフを最適化します。具体的には、EMAは各未ラベルデータポイントの潜在的な価値を評価する効用関数を使用し、モデル性能向上に最も貢献するデータのみをラベリングすることで、性能を犠牲にすることなくラベリングコストを大幅に削減します。
リソース割り当て、ネットワーク最適化、トラフィックエンジニアリングなどを含む8つの代表的な学習ベースシステムでの評価により、EMAは適応コスト（GPU訓練時間など）を14.9％～42.4％削減し、システム性能（ネットワークスループットなど）を6.9％～31.3％向上させることが示されました。これらの結果は、リソース消費の削減とシステム効率の向上におけるEMAの有効性を確認しています。本論文はSIGCOMM 2026に採択されており、著者はDaiyang Yu、Xinyu Chen、Yihan Zhang、Yan Liang、Yaqi Qiao、Fan Laiです。コードとデータは後日公開される予定です。