論文の概要: CLSA: Contrastive Learning-based Survival Analysis for Popularity Prediction in MEC Networks

• arxiv url: http://arxiv.org/abs/2303.12097v1
• Date: Tue, 21 Mar 2023 15:57:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 16:34:45.248360
• Title: CLSA: Contrastive Learning-based Survival Analysis for Popularity Prediction in MEC Networks
• Title（参考訳）: CLSA:MECネットワークにおける人気予測のためのコントラスト学習に基づく生存分析
• Authors: Zohreh Hajiakhondi-Meybodi, Arash Mohammadi, Jamshid Abouei, Konstantinos N. Plataniotis
• Abstract要約: ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。 MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。 有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
• 参考スコア（独自算出の注目度）: 36.01752474571776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mobile Edge Caching (MEC) integrated with Deep Neural Networks (DNNs) is an innovative technology with significant potential for the future generation of wireless networks, resulting in a considerable reduction in users' latency. The MEC network's effectiveness, however, heavily relies on its capacity to predict and dynamically update the storage of caching nodes with the most popular contents. To be effective, a DNN-based popularity prediction model needs to have the ability to understand the historical request patterns of content, including their temporal and spatial correlations. Existing state-of-the-art time-series DNN models capture the latter by simultaneously inputting the sequential request patterns of multiple contents to the network, considerably increasing the size of the input sample. This motivates us to address this challenge by proposing a DNN-based popularity prediction framework based on the idea of contrasting input samples against each other, designed for the Unmanned Aerial Vehicle (UAV)-aided MEC networks. Referred to as the Contrastive Learning-based Survival Analysis (CLSA), the proposed architecture consists of a self-supervised Contrastive Learning (CL) model, where the temporal information of sequential requests is learned using a Long Short Term Memory (LSTM) network as the encoder of the CL architecture. Followed by a Survival Analysis (SA) network, the output of the proposed CLSA architecture is probabilities for each content's future popularity, which are then sorted in descending order to identify the Top-K popular contents. Based on the simulation results, the proposed CLSA architecture outperforms its counterparts across the classification accuracy and cache-hit ratio.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を持つ革新的な技術であり、ユーザのレイテンシを大幅に削減する。 しかしながら、mecネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測および動的に更新する能力に大きく依存している。 効果的に、dnnベースの人気予測モデルは、時間的および空間的相関を含むコンテンツの過去の要求パターンを理解する能力を持つ必要がある。 既存の最先端の時系列DNNモデルは、複数のコンテンツのシーケンシャルな要求パターンを同時にネットワークに入力することで、後者をキャプチャし、入力サンプルのサイズを大幅に増加させる。 これは、無人航空機(UAV)支援MECネットワーク用に設計された入力サンプルを相互に対比する考え方に基づいて、DNNベースの人気予測フレームワークを提案することで、この問題に対処する動機付けとなる。 Contrastive Learning-based Survival Analysis (CLSA)と呼ばれるこのアーキテクチャは、CLアーキテクチャのエンコーダとしてLong Short Term Memory (LSTM)ネットワークを用いて、逐次要求の時間情報を学習する自己教師付きContrastive Learning (CL)モデルで構成されている。 Survival Analysis (SA) ネットワークに追従し、提案したCLSAアーキテクチャの出力は、各コンテンツの将来的な人気に対する確率であり、トップKの人気コンテンツを特定するために下位の順にソートされる。 シミュレーション結果に基づいて,提案したCLSAアーキテクチャは,分類精度とキャッシュヒット比を比較検討した。

関連論文リスト

• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• SPP-CNN: An Efficient Framework for Network Robustness Prediction [13.742495880357493]
  本稿では,空間ピラミッドプール畳み込みニューラルネットワーク(SPP-CNN)のネットワークロバスト性予測のための効率的なフレームワークを開発する。 新しいフレームワークは、畳み込み層と完全に接続された層の間に空間ピラミッドプーリング層を設置し、CNNベースの予測アプローチにおける一般的なミスマッチ問題を克服する。
  論文  参考訳（メタデータ） (2023-05-13T09:09:20Z)
• Semantics-enhanced Temporal Graph Networks for Content Caching and Energy Saving [21.693946854653785]
  本稿では,DGNNモデルの時間的・構造的学習を強化するために,追加のセマンティックメッセージを利用する,STGNという時間的グラフネットワークを提案する。 また,ユーザ固有のアテンション機構を提案し,様々なセマンティクスをきめ細やかに集約する。
  論文  参考訳（メタデータ） (2023-01-29T04:17:32Z)
• ViT-CAT: Parallel Vision Transformers with Cross Attention Fusion for Popularity Prediction in MEC Networks [36.764013561811225]
  本稿では,アテンション機構に基づく新しいハイブリッドキャッシングフレームワークを提案する。 提案アーキテクチャは2つの並列ViTネットワークで構成され,その1つは時間的相関を収集し,もう1つは異なるコンテンツ間の依存関係をキャプチャする。 シミュレーション結果に基づいて,提案したViT-CATアーキテクチャは,分類精度,複雑性,キャッシュヒット比において,その性能に優れる。
  論文  参考訳（メタデータ） (2022-10-27T02:17:47Z)
• AoI-based Temporal Attention Graph Neural Network for Popularity Prediction and Content Caching [9.16219929722585]
  情報中心ネットワーク(ICN)は、予測結果に基づいて、限られた人気コンテンツをネットワークの端に積極的に保持することを目的としている。 本稿では,2部グラフに埋め込まれた構造パターンと時間パターンを協調的に学習するために,有効な動的グラフニューラルネットワーク(DGNN)を利用する。 また,情報時代(AoI)に基づくアテンション機構を提案し,貴重な歴史的情報を抽出する。
  論文  参考訳（メタデータ） (2022-08-18T02:57:17Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)

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。