論文の概要: Probabilistic Deep Supervision Network: A Noise-Resilient Approach for
QoS Prediction
- arxiv url: http://arxiv.org/abs/2308.02580v1
- Date: Thu, 3 Aug 2023 16:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 19:58:04.869996
- Title: Probabilistic Deep Supervision Network: A Noise-Resilient Approach for
QoS Prediction
- Title(参考訳): 確率的深層監視ネットワーク:qos予測のための雑音耐性アプローチ
- Authors: Ziliang Wang, Xiaohong Zhang, Sheng Huang, Wei Zhang, Dan Yang and
Meng Yan
- Abstract要約: Probabilistic Deep Supervision Network (PDS-Net) は、予測のためのマルチタスクフレームワークである。
PDS-Netは、破損したデータの伝播によるエラーを効果的に低減し、より正確な予測をもたらす。
2つの実世界のデータセットに対する実験的評価は、提案したPSD-Netが最先端のベースラインを上回っていることを示している。
- 参考スコア(独自算出の注目度): 22.382138315436222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quality of Service (QoS) prediction is an essential task in recommendation
systems, where accurately predicting unknown QoS values can improve user
satisfaction. However, existing QoS prediction techniques may perform poorly in
the presence of noise data, such as fake location information or virtual
gateways. In this paper, we propose the Probabilistic Deep Supervision Network
(PDS-Net), a novel framework for QoS prediction that addresses this issue.
PDS-Net utilizes a Gaussian-based probabilistic space to supervise intermediate
layers and learns probability spaces for both known features and true labels.
Moreover, PDS-Net employs a condition-based multitasking loss function to
identify objects with noise data and applies supervision directly to deep
features sampled from the probability space by optimizing the Kullback-Leibler
distance between the probability space of these objects and the real-label
probability space. Thus, PDS-Net effectively reduces errors resulting from the
propagation of corrupted data, leading to more accurate QoS predictions.
Experimental evaluations on two real-world QoS datasets demonstrate that the
proposed PDS-Net outperforms state-of-the-art baselines, validating the
effectiveness of our approach.
- Abstract(参考訳): qos(quality of service)予測は,未知のqos値を正確に予測することでユーザの満足度を向上させる,レコメンデーションシステムにおいて不可欠なタスクである。
しかし、既存のQoS予測技術は、偽の位置情報や仮想ゲートウェイのようなノイズデータの存在下では性能が悪くなる可能性がある。
本稿では,QoS予測のための新しいフレームワークである確率的深層監視ネットワーク(PDS-Net)を提案する。
PDS-Netはガウス的確率空間を用いて中間層を監督し、既知の特徴と真のラベルの両方の確率空間を学習する。
さらに、PDS-Netは、条件ベースのマルチタスク損失関数を用いて、ノイズデータを用いてオブジェクトを識別し、それらのオブジェクトの確率空間と実ラベル確率空間との間のクルバック・リーバー距離を最適化することにより、確率空間からサンプリングされた深い特徴を直接監督する。
したがって、PDS-Netは、破損したデータの伝播によるエラーを効果的に低減し、より正確なQoS予測をもたらす。
実世界の2つのQoSデータセットの実験的評価により、提案したPSD-Netは最先端のベースラインよりも優れており、我々のアプローチの有効性が検証されている。
関連論文リスト
- Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳(メタデータ) (2023-12-28T18:33:26Z) - Practical Probabilistic Model-based Deep Reinforcement Learning by
Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。
トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
論文 参考訳(メタデータ) (2023-09-20T06:39:19Z) - Reducing Overconfidence Predictions for Autonomous Driving Perception [3.1428836133120543]
対象認識のためのSoftMaxやSigmoidベースの予測よりも,最大a-Posteriori(MAP)関数と最大a-Posteriori(MAP)関数の方が確率論的解釈に適していることを示す。
MLとMAP関数は、既存のトレーニングネットワーク、すなわち、事前トレーニングされたネットワークのLogit層の出力によるアプローチの恩恵を受けることができる。
論文 参考訳(メタデータ) (2022-02-16T01:59:55Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - Neural Predictive Monitoring under Partial Observability [4.1316328854247155]
本稿では,部分観測可能性(PO)に拘わらず,正確かつ信頼性の高い到達可能性予測を生成する学習ベース予測手法を提案する。
提案手法は,精度の高い到達可能性予測とエラー検出を行い,また,カバー範囲が保証された厳密な予測領域を実現する。
論文 参考訳(メタデータ) (2021-08-16T15:08:20Z) - 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) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳(メタデータ) (2020-12-23T16:21:34Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z) - A Probability Distribution and Location-aware ResNet Approach for QoS
Prediction [8.491818037756488]
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。
論文 参考訳(メタデータ) (2020-11-16T08:22:04Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。