論文の概要: Spatial Models for Crowdsourced Internet Access Network Performance Measurements
- arxiv url: http://arxiv.org/abs/2405.11138v2
- Date: Tue, 21 May 2024 13:10:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 17:23:37.937124
- Title: Spatial Models for Crowdsourced Internet Access Network Performance Measurements
- Title(参考訳): クラウドソーシングによるインターネットアクセスネットワーク性能測定のための空間モデル
- Authors: Taveesh Sharma, Paul Schmitt, Francesco Bronzino, Nick Feamster, Nicole Marwell,
- Abstract要約: 政策立案者は、アクセスネットワークのパフォーマンスの分布を評価するために、大規模でクラウドソースの計測データセットを利用することが多い。
地理的領域におけるインターネットの性能を集約するために, 一連の統計手法を適用し, 評価する。
我々の研究は、インターネットアクセス格差の理解と対処において、より高度な戦略に対する緊急の要求を強調している。
- 参考スコア(独自算出の注目度): 6.921364920053057
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Despite significant investments in access network infrastructure, universal access to high-quality Internet connectivity remains a challenge. Policymakers often rely on large-scale, crowdsourced measurement datasets to assess the distribution of access network performance across geographic areas. These decisions typically rest on the assumption that Internet performance is uniformly distributed within predefined social boundaries, such as zip codes, census tracts, or community areas. However, this assumption may not be valid for two reasons: (1) crowdsourced measurements often exhibit non-uniform sampling densities within geographic areas; and (2) predefined social boundaries may not align with the actual boundaries of Internet infrastructure. In this paper, we model Internet performance as a spatial process. We apply and evaluate a series of statistical techniques to: (1) aggregate Internet performance over a geographic region; (2) overlay interpolated maps with various sampling boundary choices; and (3) spatially cluster boundary units to identify areas with similar performance characteristics. We evaluated the effectiveness of these using a 17-month-long crowdsourced dataset from Ookla Speedtest. We evaluate several leading interpolation methods at varying spatial scales. Further, we examine the similarity between the resulting boundaries for smaller realizations of the dataset. Our findings suggest that our combination of techniques achieves a 56% gain in similarity score over traditional methods that rely on aggregates over raw measurement values for performance summarization. Our work highlights an urgent need for more sophisticated strategies in understanding and addressing Internet access disparities.
- Abstract(参考訳): アクセスネットワークインフラに多大な投資をしているにもかかわらず、高品質なインターネット接続への普遍的なアクセスは依然として課題である。
政策立案者は、地理的領域にわたるアクセスネットワーク性能の分布を評価するために、大規模でクラウドソースの計測データセットを利用することが多い。
これらの決定は一般的に、インターネットのパフォーマンスが、ジップコード、国勢調査区域、コミュニティエリアなど、事前に定義された社会的境界内に均一に分散されているという前提に基づいている。
しかし、この仮定は、(1)クラウドソーシングによる測定では、地理的に一様でないサンプリング密度を示すことが多く、(2)事前に定義された社会的境界は、インターネットインフラの実際の境界と一致しない、という2つの理由から有効ではない。
本稿では,インターネットのパフォーマンスを空間的プロセスとしてモデル化する。
本研究では,(1) 地理的領域におけるインターネット性能の集約,(2) 様々なサンプリング境界選択を持つオーバーレイ補間マップ,(3) 類似の性能特性を持つ領域を特定するための空間クラスタ境界ユニットなど,一連の統計手法を適用し,評価する。
我々は,Ookla Speedtestの17ヶ月のクラウドソースデータセットを用いて,これらの有効性を評価した。
様々な空間スケールで複数の先行補間法を評価する。
さらに、データセットのより小さな実現のために、結果のバウンダリ間の類似性について検討する。
以上の結果から,本手法の組み合わせは,実測値よりも集計値に依存した従来の手法に比べて56%の類似点が得られることが示唆された。
我々の研究は、インターネットアクセス格差の理解と対処において、より高度な戦略に対する緊急の要求を強調している。
関連論文リスト
- Dual Latent State Learning: Exploiting Regional Network Similarities for QoS Prediction [5.090646311505991]
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。
論文 参考訳(メタデータ) (2023-10-07T19:35:07Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳(メタデータ) (2023-06-14T05:48:36Z) - Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。
本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-28T04:08:40Z) - Federated Anomaly Detection over Distributed Data Streams [0.0]
本稿では,異常検出,フェデレート学習,データストリーム間のブリッジ構築手法を提案する。
作業の包括的な目標は、分散データストリーム上でのフェデレーション環境での異常を検出することだ。
論文 参考訳(メタデータ) (2022-05-16T17:38:58Z) - Learning distributed channel access policies for networked estimation:
data-driven optimization in the mean-field regime [1.52292571922932]
共有ネットワーク上でセンサ計測を通信する問題は、多くの現代の大規模分散システムで広く使われている。
本研究では, 平均場法において, トラクタブルな最適化アルゴリズムを実現する構造を示す。
得られた推定システムの性能に対して、有限サンプル複雑度保証を許容するデータ駆動学習方式を得る。
論文 参考訳(メタデータ) (2021-12-10T21:27:45Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳(メタデータ) (2021-07-23T03:21:51Z) - Opportunities and challenges in partitioning the graph measure space of
real-world networks [0.0]
遺伝、タンパク質の相互作用、代謝ネットワークから脳、言語、生態、ソーシャルネットワークまで、何千もの現実世界のネットワークを含む大規模なデータセットに基づいて、我々は異なる複雑なネットワークドメイン(CND)の構造的尺度を探索する。
我々は,全ネットワークに対する208の尺度を算出し,統計および機械学習手法の包括的かつ精巧なワークフローを用いて,CNDの重要グラフ尺度を特定する限界と可能性を検討した。
提案手法は,ネットワークドメインの識別と,それらの特徴の参照に成功している。
論文 参考訳(メタデータ) (2021-06-20T21:22:37Z) - Domain-Adversarial Training of Self-Attention Based Networks for Land
Cover Classification using Multi-temporal Sentinel-2 Satellite Imagery [0.0]
ほとんどの実用的なアプリケーションはラベル付きデータには依存せず、この分野では調査は時間のかかるソリューションである。
本稿では,異なる地理的領域間のドメイン不一致を橋渡しする深層ニューラルネットワークの対比訓練について検討する。
論文 参考訳(メタデータ) (2021-04-01T15:45:17Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-01T19:24:27Z)
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。