論文の概要: Neural Network Tomography

• arxiv url: http://arxiv.org/abs/2001.02942v1
• Date: Thu, 9 Jan 2020 12:19:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 05:25:44.454612
• Title: Neural Network Tomography
• Title（参考訳）: ニューラルネットワークトモグラフィ
• Authors: Liang Ma and Ziyao Zhang and Mudhakar Srivatsa
• Abstract要約: ネットワークトモグラフィーはネットワーク監視の領域における古典的な研究課題である。 NeuTomographyは、未測定のパフォーマンス指標を予測するために、ディープニューラルネットワークとデータ拡張を利用する。 NeuTomographyは、元のネットワークトポロジを再構築するために使用できる。
• 参考スコア（独自算出の注目度）: 4.407668482702675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network tomography, a classic research problem in the realm of network monitoring, refers to the methodology of inferring unmeasured network attributes using selected end-to-end path measurements. In the research community, network tomography is generally investigated under the assumptions of known network topology, correlated path measurements, bounded number of faulty nodes/links, or even special network protocol support. The applicability of network tomography is considerably constrained by these strong assumptions, which therefore frequently position it in the theoretical world. In this regard, we revisit network tomography from the practical perspective by establishing a generic framework that does not rely on any of these assumptions or the types of performance metrics. Given only the end-to-end path performance metrics of sampled node pairs, the proposed framework, NeuTomography, utilizes deep neural network and data augmentation to predict the unmeasured performance metrics via learning non-linear relationships between node pairs and underlying unknown topological/routing properties. In addition, NeuTomography can be employed to reconstruct the original network topology, which is critical to most network planning tasks. Extensive experiments using real network data show that comparing to baseline solutions, NeuTomography can predict network characteristics and reconstruct network topologies with significantly higher accuracy and robustness using only limited measurement data.
• Abstract（参考訳）: ネットワーク監視の分野における古典的な研究課題であるネットワークトモグラフィーは、選択されたエンドツーエンド経路測定を用いて、測定されていないネットワーク属性を推測する手法を指す。 研究コミュニティでは、ネットワークトモグラフィは一般に、既知のネットワークトポロジ、相関経路の測定、障害ノード/リンクの有界数、さらには特別なネットワークプロトコルのサポートといった仮定の下で研究されている。 ネットワークトモグラフィーの適用性は、これらの強い仮定によってかなり制限されているため、理論的な世界にしばしば当てはまる。 本稿では,ネットワークトモグラフィを実践的な観点から再考し,これらの仮定やパフォーマンス指標のタイプに依存しない汎用的なフレームワークを確立する。 提案するフレームワークであるNeuTomographyは、サンプリングノードペアのエンドツーエンドパスパフォーマンスメトリクスのみを考慮し、ディープニューラルネットワークとデータ拡張を使用して、ノードペア間の非線形関係と基礎となる未知のトポロジ/ルーティング特性を学習することで、計測されていないパフォーマンスメトリクスを予測する。 加えて、ニュートモグラフィーを用いて元のネットワークトポロジーを再構築することが可能であり、これはほとんどのネットワーク計画タスクにとって重要である。 実ネットワークデータを用いた大規模な実験により,ネットワーク特性の予測とネットワークトポロジの再構成は,限られた測定データのみを用いて極めて高精度かつ堅牢であることがわかった。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• BS-GAT Behavior Similarity Based Graph Attention Network for Network Intrusion Detection [20.287285893803244]
  本稿では,グラフアテンションネットワークを用いた行動類似性(BS-GAT)に基づくグラフニューラルネットワークアルゴリズムを提案する。 その結果,提案手法は有効であり,既存のソリューションと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-04-07T09:42:07Z)
• Classification of vertices on social networks by multiple approaches [1.370151489527964]
  ソーシャルネットワークの場合、個別のコミュニティのラベルを評価することが不可欠である。 これらのインタラクションベースのエンティティそれぞれに対して、テストベンチリポジトリとして、ソーシャルグラフ、メーリングデータセット、および2つの引用セットが選択される。 本論文は,最も有用な手法だけでなく,グラフニューラルネットワークの動作方法も検討した。
  論文  参考訳（メタデータ） (2023-01-13T09:42:55Z)
• Quasi-orthogonality and intrinsic dimensions as measures of learning and generalisation [55.80128181112308]
  ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。 本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
  論文  参考訳（メタデータ） (2022-03-30T21:47:32Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。