論文の概要: CausalSim: Toward a Causal Data-Driven Simulator for Network Protocols
- arxiv url: http://arxiv.org/abs/2201.01811v1
- Date: Wed, 5 Jan 2022 20:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 13:50:56.042233
- Title: CausalSim: Toward a Causal Data-Driven Simulator for Network Protocols
- Title(参考訳): CausalSim: ネットワークプロトコルのための因果データ駆動シミュレータを目指して
- Authors: Abdullah Alomar, Pouya Hamadanian, Arash Nasr-Esfahany, Anish Agarwal,
Mohammad Alizadeh, Devavrat Shah
- Abstract要約: CausalSimは、ネットワークプロトコルのためのデータ駆動シミュレータである。
一連のプロトコルの下で最初のRCTからトレースを使用して因果ネットワークモデルを学ぶ。
すると、同じトレース上の任意のプロトコルをシミュレートして、偽造予測を行うことができる。
- 参考スコア(独自算出の注目度): 20.879243716437692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating the real-world performance of network protocols is challenging.
Randomized control trials (RCT) are expensive and inaccessible to most
researchers, while expert-designed simulators fail to capture complex behaviors
in real networks. We present CausalSim, a data-driven simulator for network
protocols that addresses this challenge. Learning network behavior from
observational data is complicated due to the bias introduced by the protocols
used during data collection. CausalSim uses traces from an initial RCT under a
set of protocols to learn a causal network model, effectively removing the
biases present in the data. Using this model, CausalSim can then simulate any
protocol over the same traces (i.e., for counterfactual predictions). Key to
CausalSim is the novel use of adversarial neural network training that exploits
distributional invariances that are present due to the training data coming
from an RCT. Our extensive evaluation of CausalSim on both real and synthetic
datasets and two use cases, including more than nine months of real data from
the Puffer video streaming system, shows that it provides accurate
counterfactual predictions, reducing prediction error by 44% and 53% on average
compared to expert-designed and standard supervised learning baselines.
- Abstract(参考訳): ネットワークプロトコルの実際の性能を評価することは難しい。
ランダム化制御試験(RCT)は、多くの研究者にとって高価でアクセスできないが、専門家が設計したシミュレータは実際のネットワークで複雑な振る舞いを捉えることができない。
この課題に対処するネットワークプロトコルのためのデータ駆動シミュレータCausalSimを提案する。
観測データからネットワーク行動を学ぶのは、データ収集に使用されるプロトコルがもたらすバイアスのため複雑である。
CausalSimは、一連のプロトコルの下で初期RTTからのトレースを使用して因果ネットワークモデルを学び、データに存在するバイアスを効果的に除去する。
このモデルを用いて、CausalSimは任意のプロトコルを同じトレース上でシミュレートすることができる。
CausalSimの鍵となるのは、RCTから得られるトレーニングデータによって存在する分散不変性を活用する、対向ニューラルネットワークトレーニングの新たな使用である。
実データと合成データの両方に対するCausalSimの広範な評価と、Pufferビデオストリーミングシステムからの9ヶ月以上の実際のデータを含む2つのユースケースにより、正確な偽造予測を提供し、専門家が設計した標準教師付き学習ベースラインと比較して平均44%と53%の予測誤差を低減した。
関連論文リスト
- On the Performance of Empirical Risk Minimization with Smoothed Data [59.3428024282545]
経験的リスク最小化(Empirical Risk Minimization、ERM)は、クラスがiidデータで学習可能であれば、サブ線形誤差を達成できる。
We show that ERM can able to achieve sublinear error when a class are learnable with iid data。
論文 参考訳(メタデータ) (2024-02-22T21:55:41Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - CausalTime: Realistically Generated Time-series for Benchmarking of
Causal Discovery [14.092834149864514]
本研究では,実データに非常によく似た時系列を生成するためのCausalTimeパイプラインを紹介する。
パイプラインは、特定のシナリオにおける実際の観察から始まり、一致するベンチマークデータセットを生成する。
実験では, 定性的, 定量的な実験を行い, 既存のTSCDアルゴリズムのベンチマークを行った。
論文 参考訳(メタデータ) (2023-10-03T02:29:19Z) - Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be
Consistent [97.64313409741614]
本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。
CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
論文 参考訳(メタデータ) (2023-02-17T18:45:04Z) - Simulation-Based Parallel Training [55.41644538483948]
このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。
トレーニングプロセスと並行してデータを生成する。
このバイアスをメモリバッファで軽減する戦略を提案する。
論文 参考訳(メタデータ) (2022-11-08T09:31:25Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳(メタデータ) (2022-07-12T16:08:04Z) - Robust Bayesian Inference for Simulator-based Models via the MMD
Posterior Bootstrap [13.448658162594604]
後部ブートストラップと最大平均誤差推定器に基づく新しいアルゴリズムを提案する。
これにより、強い性質を持つ高パラレライズ可能なベイズ推論アルゴリズムが導かれる。
このアプローチは、g-and-k分布やトグル・スウィッチモデルなど、さまざまな例に基づいて評価される。
論文 参考訳(メタデータ) (2022-02-09T22:12:19Z) - Truncated Marginal Neural Ratio Estimation [5.438798591410838]
本稿では、シミュレーション効率と高速な実験後テスト容易性を同時に提供するニューラルネットワークシミュレータベースの推論アルゴリズムを提案する。
本手法は関節後部ではなく低次元縁後部を同時に推定することによりシミュレーションを効率化する。
局所的アモータイズ後部を推定することにより,提案アルゴリズムは推論結果のロバスト性の効率的な実証試験を可能にする。
論文 参考訳(メタデータ) (2021-07-02T18:00:03Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z) - Training robust anomaly detection using ML-Enhanced simulations [1.370633147306388]
シミュレーションは、実世界のデータではスパースまたは非存在の可能性のある異常検出のためのエッジ条件を提供することができる。
我々の手法は、実世界のデータに基づいてトレーニングされたニューラルネットワークを用いてシミュレーションを強化し、従来のシミュレーションよりもリアルで可変な出力を生成する。
論文 参考訳(メタデータ) (2020-08-27T12:28:07Z) - Continuous Optimization Benchmarks by Simulation [0.0]
最適化アルゴリズムのテスト、比較、チューニング、理解にはベンチマーク実験が必要である。
以前の評価から得られたデータは、ベンチマークに使用される代理モデルのトレーニングに使用することができる。
本研究では,スペクトルシミュレーションにより連続最適化問題のシミュレーションが可能であることを示す。
論文 参考訳(メタデータ) (2020-08-14T08:50:57Z)
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。