論文の概要: Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring

• arxiv url: http://arxiv.org/abs/2010.16162v1
• Date: Fri, 30 Oct 2020 10:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:30:00.118546
• Title: Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring
• Title（参考訳）: クラウドソーシングによるネットワークモニタリングの性能評価のためのシミュレーションフレームワークSatified Tomorrow
• Authors: Andrea Pimpinella, Marianna Repossi, Alessandro Enrico Cesare Redondi
• Abstract要約: 本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network operators need to continuosly upgrade their infrastructures in order to keep their customer satisfaction levels high. Crowdsourcing-based approaches are generally adopted, where customers are directly asked to answer surveys about their user experience. Since the number of collaborative users is generally low, network operators rely on Machine Learning models to predict the satisfaction levels/QoE of the users rather than directly measuring it through surveys. Finally, combining the true/predicted user satisfaction levels with information on each user mobility (e.g, which network sites each user has visited and for how long), an operator may reveal critical areas in the networks and drive/prioritize investments properly. In this work, we propose an empirical framework tailored to assess the quality of the detection of under-performing cells starting from subjective user experience grades. The framework allows to simulate diverse networking scenarios, where a network characterized by a small set of under-performing cells is visited by heterogeneous users moving through it according to realistic mobility models. The framework simulates both the processes of satisfaction surveys delivery and users satisfaction prediction, considering different delivery strategies and evaluating prediction algorithms characterized by different prediction performance. We use the simulation framework to test empirically the performance of under-performing sites detection in general scenarios characterized by different users density and mobility models to obtain insights which are generalizable and that provide interesting guidelines for network operators.
• Abstract（参考訳）: ネットワークオペレータは、顧客満足度を維持するために、インフラストラクチャを継続的にアップグレードする必要があります。 クラウドソーシングベースのアプローチは一般的に採用されており、ユーザエクスペリエンスに関する調査に顧客が直接回答するよう求められている。 共同ユーザの数は一般的に少ないため、ネットワークオペレータは機械学習モデルを使用して、調査を通じて直接測定するのではなく、ユーザの満足度/QoEを予測する。 最後に、実際の/予測されたユーザ満足度レベルと各ユーザモビリティに関する情報(例えば、各ユーザが訪問したネットワークサイトや期間など)を組み合わせることで、オペレータはネットワークの重要な領域を明らかにし、投資を適切に推進/優先順位付けすることができる。 本研究では,主観的ユーザエクスペリエンスの段階から,パフォーマンスの低い細胞の検出品質を評価するための経験的枠組みを提案する。 このフレームワークは多様なネットワークシナリオをシミュレートすることができ、実際のモビリティモデルに従って移動している異種ユーザによって、小さなパフォーマンスの低いセルによって特徴づけられるネットワークが訪れる。 このフレームワークは、異なるデリバリ戦略を考慮し、異なる予測性能を特徴とする予測アルゴリズムを評価することにより、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて,異なるユーザ密度とモビリティモデルによって特徴付けられる一般的なシナリオにおいて,パフォーマンスの低いサイト検出の性能を実証的にテストし,一般化可能な洞察を得るとともに,ネットワークオペレータに興味深いガイドラインを提供する。

関連論文リスト

• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  新規ユーザのための新しい離散イベント予測フレームワークを提案する。 提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。 数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Data-driven Predictive Latency for 5G: A Theoretical and Experimental Analysis Using Network Measurements [0.7643181805997241]
  本稿では,低周波分布としてユーザ平面遅延の解析式を提案する。 我々は、車載移動、密アーバン交通、および社会集会イベントのシナリオから収集されたデータを用いて予測フレームワークをテストする。
  論文  参考訳（メタデータ） (2023-07-05T14:39:47Z)
• Big-data-driven and AI-based framework to enable personalization in wireless networks [20.26379197206863]
  無線ネットワークにパーソナライズを統合するためのビッグデータ駆動型AIベースのパーソナライズフレームワークを提案する。 各ユーザの実際の要件とコンテキストに基づいて、マルチオブジェクトの定式化により、ネットワークは、提供されたユーザの満足度レベルを同時に管理し、最適化することができる。
  論文  参考訳（メタデータ） (2023-06-08T02:30:55Z)
• Network Generalization Prediction for Safety Critical Tasks in Novel Operating Domains [0.0]
  本稿では,新しい操作領域において期待されるネットワーク性能を予測するタスクネットワーク一般化予測を提案する。 本稿では、解釈可能なコンテキストサブスペースの観点からネットワーク性能を記述し、ネットワーク性能に関する最も優れた情報を提供するコンテキストサブスペースの特徴を選択するための方法論を提案する。
  論文  参考訳（メタデータ） (2021-08-17T01:55:54Z)
• Predicting Deep Neural Network Generalization with Perturbation Response Curves [58.8755389068888]
  トレーニングネットワークの一般化能力を評価するための新しいフレームワークを提案する。 具体的には,一般化ギャップを正確に予測するための2つの新しい尺度を提案する。 PGDL(Predicting Generalization in Deep Learning)のNeurIPS 2020コンペティションにおけるタスクの大部分について、現在の最先端の指標よりも優れた予測スコアを得る。
  論文  参考訳（メタデータ） (2021-06-09T01:37:36Z)
• Topological Uncertainty: Monitoring trained neural networks through persistence of activation graphs [0.9786690381850356]
  産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。 活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
  論文  参考訳（メタデータ） (2021-05-07T14:16:03Z)
• SideInfNet: A Deep Neural Network for Semi-Automatic Semantic Segmentation with Side Information [83.03179580646324]
  本稿では,新たなディープニューラルネットワークアーキテクチャであるSideInfNetを提案する。 画像から学習した機能とユーザアノテーションから抽出したサイド情報を統合する。 提案手法を評価するために,提案したネットワークを3つのセマンティックセグメンテーションタスクに適用し,ベンチマークデータセットに対する広範な実験を行った。
  論文  参考訳（メタデータ） (2020-02-07T06:10:54Z)

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。