論文の概要: Beyond Data Points: Regionalizing Crowdsourced Latency Measurements

• arxiv url: http://arxiv.org/abs/2405.11138v4
• Date: Sat, 26 Oct 2024 13:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:14:55.578568
• Title: Beyond Data Points: Regionalizing Crowdsourced Latency Measurements
• Title（参考訳）: データポイントを超えて - クラウドソースによるレイテンシ測定の地域化
• Authors: Taveesh Sharma, Paul Schmitt, Francesco Bronzino, Nick Feamster, Nicole Marwell,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.921364920053057
• License:
• 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. However, this assumption may not be valid for two reasons: crowdsourced measurements often exhibit non-uniform sampling densities within geographic areas; and predefined social boundaries may not align with the actual boundaries of Internet infrastructure. In this paper, we present a spatial analysis on crowdsourced datasets for constructing stable boundaries for sampling Internet performance. We hypothesize that greater stability in sampling boundaries will reflect the true nature of Internet performance disparities than misleading patterns observed as a result of data sampling variations. We apply and evaluate a series of statistical techniques to: aggregate Internet performance over geographic regions; overlay interpolated maps with various sampling unit choices; and spatially cluster boundary units to identify contiguous areas with similar performance characteristics. We assess the effectiveness of the techniques we apply by comparing the similarity of the resulting boundaries for monthly samples drawn from the dataset. Our evaluation shows that the combination of techniques we apply achieves higher similarity compared to directly calculating central measures of network metrics over census tracts or neighborhood boundaries. These findings underscore the important role of spatial modeling in accurately assessing and optimizing the distribution of Internet performance, to inform policy, network operations, and long-term planning decisions.
• 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事前に定義された社会的境界内で均一に分散されているという仮定に基づいている。 しかし、この仮定は2つの理由により有効ではないかもしれない: クラウドソースされた測定は、しばしば地理的領域内で一様でないサンプリング密度を示す; 事前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。 本稿では,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的解析を行う。 サンプリング境界における安定性の向上は,データサンプリングのばらつきによって観測された誤解を招くパターンよりも,インターネットの性能格差の真の性質を反映する,という仮説を立てる。 地理的領域におけるインターネット性能の集約、様々なサンプリング単位選択による補間マップのオーバーレイ、類似した性能特性を持つ連続領域を特定するための空間的クラスタ境界ユニットなど、一連の統計手法を適用して評価する。 本手法の有効性は,データセットから得られた月次サンプルについて,結果の境界の類似性を比較することで評価する。 提案手法を組み合わせることで,センサストラクションや地区境界におけるネットワークメトリクスの中央値を直接計算するよりも,高い類似性が得られることを示す。 これらの知見は、インターネット性能の分布を正確に評価し、最適化し、政策、ネットワーク運用、長期計画決定を通知する上で、空間モデルが重要な役割を担っていることを裏付けるものである。

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。