論文の概要: A Probability Distribution and Location-aware ResNet Approach for QoS Prediction

• arxiv url: http://arxiv.org/abs/2011.07780v1
• Date: Mon, 16 Nov 2020 08:22:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 01:09:58.059205
• Title: A Probability Distribution and Location-aware ResNet Approach for QoS Prediction
• Title（参考訳）: QoS予測のための確率分布と位置認識ResNetアプローチ
• Authors: Wenyan Zhang, Ling Xu, Meng Yan, Ziliang Wang, and Chunlei Fu
• Abstract要約: 予測のための高度な確率分布と位置認識型ResNetアプローチを提案する。 以上の結果から, PLRは予測に有効であり, 密度5%～30%では, LDCFを12.35%～15.37%上回った。
• 参考スコア（独自算出の注目度）: 8.491818037756488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the number of online services has grown rapidly, invoke the required services through the cloud platform has become the primary trend. How to help users choose and recommend high-quality services among huge amounts of unused services has become a hot issue in research. Among the existing QoS prediction methods, the collaborative filtering(CF) method can only learn low-dimensional linear characteristics, and its effect is limited by sparse data. Although existing deep learning methods could capture high-dimensional nonlinear features better, most of them only use the single feature of identity, and the problem of network deepening gradient disappearance is serious, so the effect of QoS prediction is unsatisfactory. To address these problems, we propose an advanced probability distribution and location-aware ResNet approach for QoS Prediction(PLRes). This approach considers the historical invocations probability distribution and location characteristics of users and services, and first use the ResNet in QoS prediction to reuses the features, which alleviates the problems of gradient disappearance and model degradation. A series of experiments are conducted on a real-world web service dataset WS-DREAM. The results indicate that PLRes model is effective for QoS prediction and at the density of 5%-30%, which means the data is sparse, it significantly outperforms a state-of-the-art approach LDCF by 12.35%-15.37% in terms of MAE.
• Abstract（参考訳）: 近年、オンラインサービスの数は急速に増加し、クラウドプラットフォームを通じて必要なサービスを呼び出すことが主要なトレンドとなっている。 大量の未使用サービスの中から高品質サービスを選択して推奨する方法は、研究においてホットな問題となっている。 従来のQoS予測手法の中で,協調フィルタリング(CF)法は低次元線形特性しか学習できず,その効果はスパースデータによって制限される。 既存のディープラーニング手法は高次元非線形特徴をよりよく捉えることができるが、そのほとんどはアイデンティティの単一特徴しか使用せず、ネットワークの深い勾配の消失の問題も深刻であり、QoS予測の影響は不十分である。 そこで本研究では,QoS予測(PLRes)のための高度な確率分布と位置認識型ResNetアプローチを提案する。 提案手法では,ユーザやサービスの位置特性と確率分布の履歴的実行を考慮し,まずQoS予測にResNetを用いて特徴を再利用し,勾配の消失やモデル劣化の問題を緩和する。 実世界のWebサービスデータセットWS-DREAMで一連の実験が行われた。 その結果, PLRes モデルはQoS 予測に有効であり, 密度 5%-30% で, データは疎結合であり, LDCF を 12.35%-15.37% 上回っていることがわかった。

関連論文リスト

• Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
  LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。 このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。 本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。 また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2024-10-17T18:22:50Z)
• Web Service QoS Prediction via Extended Canonical Polyadic-based Tensor Network [2.2083091880368855]
  Canonical Polyadic (CP)ベースのテンソルネットワークモデルは動的データの予測に効率的であることが証明されている。 現在のCPベースのテンソルネットワークモデルは、低次元の潜在特徴空間におけるユーザとサービスの相関を考慮していない。 本稿では,予測精度を向上させるために,拡張ポリエイドネットワーク(ECTN)モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:56:35Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Strategically Conservative Q-Learning [89.17906766703763]
  オフライン強化学習(RL)は、RLの実用性を拡張するための魅力的なパラダイムである。 オフラインRLの最大の難しさは、オフ・オブ・ディストリビューション(OOD)アクションに遭遇する際の近似誤差の影響を緩和することである。 本稿では, 予測が容易かつ困難であるOODデータを識別する, SCQ(Strategical conservative Q-Learning) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T22:09:46Z)
• DISTINQT: A Distributed Privacy Aware Learning Framework for QoS Prediction for Future Mobile and Wireless Networks [2.114401279266792]
  5Gと6G以上のネットワークは、あるレベルのQuality of Service(QoS)に依存してスムーズな運用を行う、新しくて挑戦的なユースケースとアプリケーションをサポートすることが期待されている。 タイムリーな方法での予測は、特に車両通信の場合のように、安全クリティカルな応用において非常に重要である。 DisTINQTは、予測のための新しいマルチヘッド入力対応分散学習フレームワークである。
  論文  参考訳（メタデータ） (2024-01-15T13:00:48Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph Convolution [0.16317061277456998]
  我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。 ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。 ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-22T04:37:51Z)
• Uncertainty-Based Offline Reinforcement Learning with Diversified Q-Ensemble [16.92791301062903]
  本稿では,Q値予測の信頼性を考慮した不確実性に基づくオフラインRL手法を提案する。 意外なことに、カットされたQ-ラーニングとともにQ-networksの数を単純に増やすことで、既存のオフラインRLメソッドを様々なタスクで大幅に上回ります。
  論文  参考訳（メタデータ） (2021-10-04T16:40:13Z)
• FES: A Fast Efficient Scalable QoS Prediction Framework [0.9176056742068814]
  予測アルゴリズムを設計する主な目的の1つは、十分な予測精度を達成することです。 アルゴリズムは、リアルタイムのレコメンデーションシステムに統合できるように、予測時間の観点からより高速でなければなりません。 既存の予測アルゴリズムは、他のアルゴリズムを確実にしながら、ある目標に対して妥協することが多い。
  論文  参考訳（メタデータ） (2021-03-12T19:28:17Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。