論文の概要: Understanding Model Drift in a Large Cellular Network
- arxiv url: http://arxiv.org/abs/2109.03011v1
- Date: Tue, 7 Sep 2021 11:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 14:22:20.566778
- Title: Understanding Model Drift in a Large Cellular Network
- Title（参考訳）: 大セルネットワークにおけるモデルドリフトの理解
- Authors: Shinan Liu, Francesco Bronzino, Paul Schmitt, Nick Feamster, Ricardo
Borges, Hector Garcia Crespo, Brian Ward
- Abstract要約: コンセプトドリフトは、時間の経過とともに機械学習モデルの精度を低下させる。
本稿では,米国における大規模携帯電話ネットワークにおける需要予測の文脈において,大都市圏におけるコンセプトドリフトについて検討する。
概念のドリフトは、主にデータドリフトによって発生し、異なるキーパフォーマンスインジケータ(KPI)、モデル、トレーニングセットサイズ、時間間隔にまたがって現れる。
- 参考スコア（独自算出の注目度）: 9.323853587087457
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Operational networks are increasingly using machine learning models for a
variety of tasks, including detecting anomalies, inferring application
performance, and forecasting demand. Accurate models are important, yet
accuracy can degrade over time due to concept drift, whereby either the
characteristics of the data change over time (data drift) or the relationship
between the features and the target predictor change over time (model drift).
Drift is important to detect because changes in properties of the underlying
data or relationships to the target prediction can require model retraining,
which can be time-consuming and expensive. Concept drift occurs in operational
networks for a variety of reasons, ranging from software upgrades to
seasonality to changes in user behavior. Yet, despite the prevalence of drift
in networks, its extent and effects on prediction accuracy have not been
extensively studied. This paper presents an initial exploration into concept
drift in a large cellular network in the United States for a major metropolitan
area in the context of demand forecasting. We find that concept drift arises
largely due to data drift, and it appears across different key performance
indicators (KPIs), models, training set sizes, and time intervals. We identify
the sources of concept drift for the particular problem of forecasting downlink
volume. Weekly and seasonal patterns introduce both high and low-frequency
model drift, while disasters and upgrades result in sudden drift due to
exogenous shocks. Regions with high population density, lower traffic volumes,
and higher speeds also tend to correlate with more concept drift. The features
that contribute most significantly to concept drift are User Equipment (UE)
downlink packets, UE uplink packets, and Real-time Transport Protocol (RTP)
total received packets.
- Abstract（参考訳）: 運用ネットワークでは、異常の検出、アプリケーションパフォーマンスの推測、需要予測など、さまざまなタスクに機械学習モデルの利用が増えている。
正確なモデルは重要であるが、概念のドリフトによって時間とともに精度が低下し、データの変化の特徴(データドリフト)や特徴と目標予測値の関係(モデルドリフト)が時間とともに変化する(モデルドリフト)。
基礎となるデータの性質の変化やターゲット予測との関係がモデルの再トレーニングを必要とする可能性があるため、ドリフトは検出に重要である。
コンセプトドリフトは、ソフトウェアアップグレードから季節性、ユーザの振る舞いの変化など、さまざまな理由で運用ネットワークで発生します。
しかし,ネットワーク内のドリフトの発生状況にも拘わらず,その範囲と予測精度への影響は広く研究されていない。
本稿では,米国における大規模携帯電話ネットワークにおける需要予測の文脈において,大都市圏のコンセプトドリフトを最初に検討する。
コンセプトドリフトは主としてデータドリフトによって発生し、さまざまなキーパフォーマンスインジケータ(kpi)、モデル、トレーニングセットサイズ、時間間隔にまたがって現れることが分かりました。
我々は、ダウンリンクボリュームを予測する特定の問題に対する概念ドリフトの源を同定する。
週と季節のパターンは、高頻度と低頻度の両方のモデルドリフトをもたらし、災害とアップグレードは外因性ショックによる突然のドリフトをもたらす。
人口密度の高い地域、交通量が少ない地域、より高速な地域もコンセプトドリフトと相関する傾向にある。
コンセプトドリフトに最も貢献する機能は、ユーザ機器(UE)ダウンリンクパケット、UEアップリンクパケット、RTP(Real-time Transport Protocol)トータル受信パケットである。
関連論文リスト
- datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。
ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-15T20:59:49Z) - Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。
既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。
本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
論文 参考訳（メタデータ） (2024-03-31T17:18:57Z) - Explaining Drift using Shapley Values [0.0]
機械学習モデルは、トレーニングされていないデータよりも結果を予測するために使用されると、パフォーマンスが劣化することが多い。
モデルパフォーマンスにおけるドリフトの背後にあるドライバを特定するためのフレームワークはありません。
ドリフトの主なコントリビュータを特定するために,原理化されたシェープ値を用いたDBShapを提案する。
論文 参考訳（メタデータ） (2024-01-18T07:07:42Z) - MemDA: Forecasting Urban Time Series with Memory-based Drift Adaptation [24.284969264008733]
本稿では,データの周期性を考慮してドリフトを符号化するコンセプトドリフト問題に対する新しい都市時系列予測モデルを提案する。
我々の設計は最先端の手法よりも優れており、既存の予測バックボーンに十分に一般化することができる。
論文 参考訳（メタデータ） (2023-09-25T15:22:28Z) - FLARE: Detection and Mitigation of Concept Drift for Federated Learning
based IoT Deployments [2.7776688429637466]
FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。
固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。
少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
論文 参考訳（メタデータ） (2023-05-15T10:09:07Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Switching Scheme: A Novel Approach for Handling Incremental Concept
Drift in Real-World Data Sets [0.0]
概念ドリフトは、機械学習システムの予測性能に深刻な影響を与える可能性がある。
本研究では,実世界のデータセットの文脈における概念ドリフトの効果を分析する。
本稿では,機械学習モデルの再学習と更新の2つの原則を組み合わせたスイッチング方式を提案する。
論文 参考訳（メタデータ） (2020-11-05T10:16:54Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。