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
- Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network [0.47248250311484113]
QoS(Quality-of-Service)予測は、サービスライフサイクルにおいて重要なタスクです。
従来の手法では、しばしばデータスパーシリティとコールドスタートの問題に遭遇する。
時間的予測のためのリアルタイム信頼対応フレームワークを導入する。
論文 参考訳(メタデータ) (2024-10-23T11:01:39Z) - 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) - Early Detection of Network Service Degradation: An Intra-Flow Approach [0.0]
本研究では,早期のフロー特性を利用して,コンピュータネットワークにおけるサービス劣化(SD)を予測する新しい手法を提案する。
我々のアプローチは、ネットワークフローの観測可能な(O)セグメント、特にパケット間時間(PIAT)の分析に焦点を当てている。
我々は,10個の遅延サンプルの最適O/NO分割閾値を推定し,予測精度と資源利用量のバランスをとる。
論文 参考訳(メタデータ) (2024-07-09T08:05:14Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳(メタデータ) (2024-06-29T02:40:28Z) - 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) - Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。
我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。
合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
論文 参考訳(メタデータ) (2022-12-13T05:03:16Z) - Robust Face Anti-Spoofing with Dual Probabilistic Modeling [49.14353429234298]
本稿では、DPM-LQ(ラベル品質認識学習)とDPM-DQ(データ品質認識学習)という2つの専用モジュールを備えたDPM(Dual Probabilistic Modeling)という統合フレームワークを提案する。
DPM-LQは、ノイズのあるセマンティックラベルの分布に過度に適合することなく、ロバストな特徴表現を生成することができる。
DPM-DQは、その品質分布に基づいてノイズデータの予測信頼度を補正することにより、推論中のFalse Reject'およびFalse Accept'からデータノイズを除去することができる。
論文 参考訳(メタデータ) (2022-04-27T03:44:18Z) - 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) - 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。