論文の概要: Learning Cellular Network Connection Quality with Conformal
- arxiv url: http://arxiv.org/abs/2407.10976v1
- Date: Tue, 4 Jun 2024 19:33:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 12:49:16.699951
- Title: Learning Cellular Network Connection Quality with Conformal
- Title（参考訳）: コンフォーマルによるセルラーネットワーク接続品質の学習
- Authors: Hanyang Jiang, Elizabeth Belding, Ellen Zegure, Yao Xie,
- Abstract要約: 我々は不確実性マップを構築するための新しい共形予測手法を導入する。
我々は、目標とする手動データ収集を優先するために、不確実性の高い地域を特定する。
また,提案手法は,研究者が高品質なデータを選択的に収集するためのサンプリング戦略にも繋がる。
- 参考スコア（独自算出の注目度）: 5.695027198038298
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we address the problem of uncertainty quantification for cellular network speed. It is a well-known fact that the actual internet speed experienced by a mobile phone can fluctuate significantly, even when remaining in a single location. This high degree of variability underscores that mere point estimation of network speed is insufficient. Rather, it is advantageous to establish a prediction interval that can encompass the expected range of speed variations. In order to build an accurate network estimation map, numerous mobile data need to be collected at different locations. Currently, public datasets rely on users to upload data through apps. Although massive data has been collected, the datasets suffer from significant noise due to the nature of cellular networks and various other factors. Additionally, the uneven distribution of population density affects the spatial consistency of data collection, leading to substantial uncertainty in the network quality maps derived from this data. We focus our analysis on large-scale internet-quality datasets provided by Ookla to construct an estimated map of connection quality. To improve the reliability of this map, we introduce a novel conformal prediction technique to build an uncertainty map. We identify regions with heightened uncertainty to prioritize targeted, manual data collection. In addition, the uncertainty map quantifies how reliable the prediction is in different areas. Our method also leads to a sampling strategy that guides researchers to selectively gather high-quality data that best complement the current dataset to improve the overall accuracy of the prediction model.
- Abstract（参考訳）: 本稿では,セルネットワーク速度の不確実性定量化の問題に対処する。
携帯電話が経験した実際のインターネット速度が、たとえ1つの場所に留まったとしても、著しく変動するという事実はよく知られている。
この高い変動性は、単にネットワーク速度の点推定が不十分であることを示す。
むしろ、予想される速度変化の範囲を包含できる予測間隔を確立することが有利である。
正確なネットワーク推定マップを構築するには、異なる場所で多数のモバイルデータを収集する必要がある。
現在、公開データセットはユーザーがアプリを通じてデータをアップロードすることに依存している。
大量のデータが収集されているが、これらのデータセットは、セルラーネットワークの性質やその他の様々な要因により、大きなノイズに悩まされている。
さらに、人口密度の不均一分布は、データ収集の空間的一貫性に影響を与え、このデータから導かれるネットワーク品質マップにかなりの不確実性をもたらす。
我々は,Ooklaが提供する大規模インターネット品質データセットに着目し,接続品質の推定マップを構築する。
このマップの信頼性を向上させるために,不確実性マップを構築するための新しい共形予測手法を提案する。
我々は、目標とする手動データ収集を優先するために、不確実性の高い地域を特定する。
さらに、不確実性マップは、異なる領域における予測の信頼性を定量化する。
また,提案手法は,現在のデータセットを最もよく補完する高品質なデータを研究者が選択的に収集し,予測モデルの全体的な精度を向上させるためのサンプリング戦略にもつながる。
関連論文リスト
- Estimating Uncertainty with Implicit Quantile Network [0.0]
不確かさの定量化は多くの性能クリティカルなアプリケーションにおいて重要な部分である。
本稿では,アンサンブル学習やベイズニューラルネットワークなど,既存のアプローチに対する簡単な代替手段を提供する。
論文 参考訳（メタデータ） (2024-08-26T13:33:14Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - Mobile Internet Quality Estimation using Self-Tuning Kernel Regression [7.6449549886709764]
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。
論文 参考訳（メタデータ） (2023-11-04T21:09:46Z) - Distil the informative essence of loop detector data set: Is
network-level traffic forecasting hungry for more data? [0.8002196839441036]
本稿では,予測モデルのトレーニングに実際に有効なループデータのサンプル数を検討するために,不確実性を考慮したトラフィック予測フレームワークを提案する。
提案手法は,大規模トラフィックデータセットの真の情報内容を評価する上で有用である。
論文 参考訳（メタデータ） (2023-10-31T11:23:10Z) - Bayesian Neural Network Versus Ex-Post Calibration For Prediction
Uncertainty [0.2343856409260935]
ニューラルネットワークからの確率的予測は、分類中の予測の不確実性の原因となる。
実際には、ほとんどのデータセットは非確率的ニューラルネットワークでトレーニングされています。
キャリブレーションアプローチのもっともらしい代替手段は、予測分布を直接モデル化するベイズニューラルネットワークを使用することである。
論文 参考訳（メタデータ） (2022-09-29T07:22:19Z) - 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) - Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。
既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。
サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
論文 参考訳（メタデータ） (2020-09-30T03:40:07Z) - 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) - JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。
本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-07T14:59:35Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z) - Better coverage, better outcomes? Mapping mobile network data to
official statistics using satellite imagery and radio propagation modelling [0.0]
公開衛星画像から抽出した人的決済情報と無線伝搬モデリング技術を組み合わせることで、それを説明する。
セネガルの失業推定に関するシミュレーション研究と実世界の応用について検討する。
論文 参考訳（メタデータ） (2020-02-20T14:19:19Z)
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。