論文の概要: Mobile Internet Quality Estimation using Self-Tuning Kernel Regression

• arxiv url: http://arxiv.org/abs/2311.05641v1
• Date: Sat, 4 Nov 2023 21:09:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-19 14:29:10.243179
• Title: Mobile Internet Quality Estimation using Self-Tuning Kernel Regression
• Title（参考訳）: 自己調整カーネル回帰を用いたモバイルインターネット品質評価
• Authors: Hanyang Jiang, Henry Shaowu Yuchi, Elizabeth Belding, Ellen Zegura, Yao Xie
• Abstract要約: 合衆国の州の規模でモバイル(携帯電話)のインターネット品質を推定することを検討する。 ほとんどのサンプルは限られた領域に集中しているが、残りはごくわずかである。 本稿では,データ不均衡の悪影響を軽減するために自己調整型カーネルを用いた適応型カーネル回帰手法を提案する。
• 参考スコア（独自算出の注目度）: 7.6449549886709764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and estimation for spatial data are ubiquitous in real life, frequently appearing in weather forecasting, pollution detection, and agriculture. Spatial data analysis often involves processing datasets of enormous scale. In this work, we focus on large-scale internet-quality open datasets from Ookla. We look into estimating mobile (cellular) internet quality at the scale of a state in the United States. In particular, we aim to conduct estimation based on highly {\it imbalanced} data: Most of the samples are concentrated in limited areas, while very few are available in the rest, posing significant challenges to modeling efforts. We propose a new adaptive kernel regression approach that employs self-tuning kernels to alleviate the adverse effects of data imbalance in this problem. Through comparative experimentation on two distinct mobile network measurement datasets, we demonstrate that the proposed self-tuning kernel regression method produces more accurate predictions, with the potential to be applied in other applications.
• Abstract（参考訳）: 空間データのモデリングと推定は、実生活においてユビキタスであり、しばしば天気予報、汚染検知、農業に現れる。 空間データ分析は、しばしば巨大なデータセットを処理する。 本研究では,ooklaの大規模インターネット品質オープンデータセットに注目した。 米国内の国の規模で、モバイル(セルラー)インターネットの品質を推定することを検討する。 特に、高度に不均衡なデータに基づいて推定を行うことを目標としています: サンプルの大部分は限られた領域に集中していますが、残りの部分で利用できるものはほとんどありません。 本稿では,データ不均衡の悪影響を軽減するために自己調整型カーネルを用いた適応型カーネル回帰手法を提案する。 2つの異なる移動ネットワーク計測データセットの比較実験を通じて,提案手法がより正確な予測を生成することを実証し,他のアプリケーションに適用する可能性を示した。

関連論文リスト

• Evaluating the Generalization Ability of Spatiotemporal Model in Urban Scenario [11.208740750755025]
  本研究では,自転車シェアリング,311サービス,歩行者交通速度,交通流,配車需要,自転車シェアリングの6つのシナリオからなる時空間アウト・オブ・ディストリビューション(ST-OOD)ベンチマークを提案する。 我々は、最先端モデルについて広範囲に評価し、その性能は分配外設定で著しく低下し、ほとんどのモデルが単純なマルチレイヤ・パーセプトロン(MLP)よりも性能が悪くなっていることを発見した。 その結果,ほとんどのデータセットにおいて若干のドロップアウト率で一般化性能が向上し,分配性能に最小限の影響が認められた。
  論文  参考訳（メタデータ） (2024-10-07T04:15:48Z)
• Scalable Spatiotemporal Prediction with Bayesian Neural Fields [3.3299088915999295]
  BayesNFは、高容量関数推定のための新しいディープニューラルネットワークアーキテクチャである。 気候および公衆衛生データセットからの統計的機械学習予測問題に対してベイズNFを評価した。
  論文  参考訳（メタデータ） (2024-03-12T13:47:50Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
  本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。 タスクに対してSTSMというモデルを提案する。 私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
  論文  参考訳（メタデータ） (2024-01-19T06:26:05Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Transfer learning suppresses simulation bias in predictive models built from sparse, multi-modal data [15.587831925516957]
  科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。 堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。 ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
  論文  参考訳（メタデータ） (2021-04-19T23:28:32Z)
• 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)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。