論文の概要: Dual Latent State Learning: Exploiting Regional Network Similarities for QoS Prediction

• arxiv url: http://arxiv.org/abs/2310.05988v3
• Date: Fri, 08 Nov 2024 03:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 18:11:06.315184
• Title: Dual Latent State Learning: Exploiting Regional Network Similarities for QoS Prediction
• Title（参考訳）: Dual Latent State Learning:QoS予測のための地域ネットワーク類似性の爆発
• Authors: Ziliang Wang, Xiaohong Zhang, Kechi Zhang, Ze Shi Li, Meng Yan,
• Abstract要約: 本稿では,新しいディープラーニングフレームワークである地域ベースデュアル潜在状態学習ネットワーク(R2SL)を紹介する。 R2SLは2つの異なる地域ネットワーク潜在状態を引き出すことで、地域ネットワークの振舞いのニュアンスを捉える。 我々のR2SLアプローチは、オブジェクトに固有の地域ネットワークの類似性を十分に活用することで、正確な予測のための革新的な道を開く。
• 参考スコア（独自算出の注目度）: 5.090646311505991
• License:
• Abstract: Individual objects, whether users or services, within a specific region often exhibit similar network states due to their shared origin from the same city or autonomous system (AS). Despite this regional network similarity, many existing techniques overlook its potential, resulting in subpar performance arising from challenges such as data sparsity and label imbalance. In this paper, we introduce the regional-based dual latent state learning network(R2SL), a novel deep learning framework designed to overcome the pitfalls of traditional individual object-based prediction techniques in Quality of Service (QoS) prediction. Unlike its predecessors, R2SL captures the nuances of regional network behavior by deriving two distinct regional network latent states: the city-network latent state and the AS-network latent state. These states are constructed utilizing aggregated data from common regions rather than individual object data. Furthermore, R2SL adopts an enhanced Huber loss function that adjusts its linear loss component, providing a remedy for prevalent label imbalance issues. To cap off the prediction process, a multi-scale perception network is leveraged to interpret the integrated feature map, a fusion of regional network latent features and other pertinent information, ultimately accomplishing the QoS prediction. Through rigorous testing on real-world QoS datasets, R2SL demonstrates superior performance compared to prevailing state-of-the-art methods. Our R2SL approach ushers in an innovative avenue for precise QoS predictions by fully harnessing the regional network similarities inherent in objects.
• Abstract（参考訳）: 特定の領域内のユーザやサービスを問わず、個々のオブジェクトは、同じ都市または自律システム(AS)から共有されるため、しばしば同様のネットワーク状態を示す。 このような地域ネットワークの類似性にもかかわらず、既存の多くの技術はその可能性を見落とし、データスパシティやラベルの不均衡といった課題から生じる部分的なパフォーマンスをもたらす。 本稿では、QoS(Quality of Service)予測における従来の個別オブジェクトベースの予測手法の落とし穴を克服するために設計された、新しいディープラーニングフレームワークである、地域ベースデュアル潜在状態学習ネットワーク(R2SL)を紹介する。 前者とは異なり、R2SLは2つの異なる地域ネットワーク潜在状態(都市ネットワーク潜在状態とASネットワーク潜在状態)を導出することで、地域ネットワークの振舞いのニュアンスを捉えている。 これらの状態は、個々のオブジェクトデータではなく、共通領域からの集約データを利用して構築される。 さらに、R2SLは、線形損失成分を調整する拡張されたハマー損失関数を採用し、ラベルの不均衡の問題に対する対策を提供する。 予測処理を停止するために、マルチスケールの知覚ネットワークを利用して、統合された特徴マップ、地域ネットワーク潜伏特徴の融合、その他の関連する情報を解釈し、最終的にQoS予測を達成する。 実世界のQoSデータセットの厳密なテストを通じて、R2SLは、最先端の手法よりも優れたパフォーマンスを示している。 我々のR2SLアプローチは、オブジェクトに固有の地域ネットワークの類似性を十分に活用することで、正確なQoS予測のための革新的な道を開く。

関連論文リスト

• Beyond Data Points: Regionalizing Crowdsourced Latency Measurements [6.921364920053057]
  インターネットのパフォーマンスをサンプリングするための安定な境界を構築するために,クラウドソーシングデータセットの空間解析を行う。 サンプリングバウンダリの安定性は、インターネットのパフォーマンス格差の真の性質を反映する。 これらの結果は,インターネット性能の分布を正確に評価し,最適化する上で,空間モデルの重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-05-18T01:39:22Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• TOPIQ: A Top-down Approach from Semantics to Distortions for Image Quality Assessment [53.72721476803585]
  画像品質評価(IQA)は、ディープニューラルネットワークによる顕著な進歩を目の当たりにしたコンピュータビジョンの基本課題である。 本稿では,高レベルの意味論を用いてIQAネットワークを誘導し,意味的に重要な局所歪み領域に注目するトップダウンアプローチを提案する。 提案手法の重要な要素は,低レベル特徴に対するアテンションマップを算出した,クロススケールアテンション機構である。
  論文  参考訳（メタデータ） (2023-08-06T09:08:37Z)
• Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model [24.582615553841396]
  Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。 本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
  論文  参考訳（メタデータ） (2023-06-08T02:02:55Z)
• PINNslope: seismic data interpolation and local slope estimation with physics informed neural networks [2.3895981099137535]
  余剰地震データの補間は, 地震処理ワークフローにおける重要なステップである。 物理情報ニューラルネットワーク(PINN)を用いて地震データを補間する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-25T12:29:28Z)
• CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
  部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。 しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
  論文  参考訳（メタデータ） (2022-08-25T03:36:20Z)
• Full network nonlocality [68.8204255655161]
  ネットワーク内のすべてのリンクが非ローカルリソースを分散するために必要となる相関関係を記述した完全ネットワーク非ローカル性の概念を導入する。 最もよく知られているネットワークベル試験では,ネットワークの非局所性は見られていない。 より一般に、ネットワーク内の局所的および理論に依存しない相関を解析するための確立された手法は、完全なネットワーク非局所性のための十分な条件を導出するために組み合わせることができると指摘する。
  論文  参考訳（メタデータ） (2021-05-19T18:00:02Z)
• 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)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)
• Estimating Aggregate Properties In Relational Networks With Unobserved Data [18.753170947851256]
  属性の欠如したネットワーク上での集約特性の推定における機械学習手法の有効性について検討する。 SRLに基づくアプローチは、集約特性の計算と予測精度の両方において、GNNベースのアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-16T02:43:02Z)

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。