論文の概要: Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network

• arxiv url: http://arxiv.org/abs/2410.17762v1
• Date: Wed, 23 Oct 2024 11:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 13:55:21.024354
• Title: Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network
• Title（参考訳）: Hypergraph Convoluted Transformer Network を用いた異常回復時間 QoS 予測
• Authors: Suraj Kumar, Soumi Chattopadhyay, Chandranath Adak,
• Abstract要約: QoS(Quality-of-Service)予測は、サービスライフサイクルにおいて重要なタスクです。 従来の手法では、しばしばデータスパーシリティとコールドスタートの問題に遭遇する。 時間的予測のためのリアルタイム信頼対応フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.47248250311484113
• License:
• Abstract: Quality-of-Service (QoS) prediction is a critical task in the service lifecycle, enabling precise and adaptive service recommendations by anticipating performance variations over time in response to evolving network uncertainties and user preferences. However, contemporary QoS prediction methods frequently encounter data sparsity and cold-start issues, which hinder accurate QoS predictions and limit the ability to capture diverse user preferences. Additionally, these methods often assume QoS data reliability, neglecting potential credibility issues such as outliers and the presence of greysheep users and services with atypical invocation patterns. Furthermore, traditional approaches fail to leverage diverse features, including domain-specific knowledge and complex higher-order patterns, essential for accurate QoS predictions. In this paper, we introduce a real-time, trust-aware framework for temporal QoS prediction to address the aforementioned challenges, featuring an end-to-end deep architecture called the Hypergraph Convoluted Transformer Network (HCTN). HCTN combines a hypergraph structure with graph convolution over hyper-edges to effectively address high-sparsity issues by capturing complex, high-order correlations. Complementing this, the transformer network utilizes multi-head attention along with parallel 1D convolutional layers and fully connected dense blocks to capture both fine-grained and coarse-grained dynamic patterns. Additionally, our approach includes a sparsity-resilient solution for detecting greysheep users and services, incorporating their unique characteristics to improve prediction accuracy. Trained with a robust loss function resistant to outliers, HCTN demonstrated state-of-the-art performance on the large-scale WSDREAM-2 datasets for response time and throughput.
• Abstract（参考訳）: QoS(Quality-of-Service)予測はサービスライフサイクルにおいて重要なタスクであり、進化するネットワークの不確実性やユーザの好みに応じて、時間とともにパフォーマンスの変化を予測することによって、正確かつ適応的なサービスレコメンデーションを可能にする。 しかし、現代のQoS予測手法では、データの疎度やコールドスタートの問題に頻繁に遭遇し、正確なQoS予測を妨げ、多様なユーザの好みを捉える能力を制限する。 さらに、これらの手法はしばしばQoSデータの信頼性を前提としており、アウトレーヤやグレーシープなユーザや非定型呼び出しパターンを持つサービスの存在といった潜在的な信頼性の問題を無視している。 さらに、従来のアプローチでは、ドメイン固有の知識や、正確なQoS予測に不可欠な複雑な高次パターンなど、多様な機能を活用することができない。 本稿では,HCTN(Hypergraph Convoluted Transformer Network)と呼ばれるエンドツーエンドのディープアーキテクチャを特徴とする,時間的QoS予測のためのリアルタイム信頼対応フレームワークを提案する。 HCTNはハイパーグラフ構造とハイパーエッジ上のグラフ畳み込みを組み合わせることで、複雑な高次相関をキャプチャすることで、高スパーシティ問題に効果的に対処する。 これを補完するために、トランスフォーマーネットワークは、並列1次元畳み込み層と完全に連結された高密度ブロックと共にマルチヘッドアテンションを利用して、きめ細粒度と粗粒度の両方の動的パターンをキャプチャする。 さらに,グレーシープなユーザやサービスを検知し,その特性を取り入れて予測精度を向上する,スポーサビリティ・レジリエントなソリューションも提案する。 HCTNは、外れ値に耐性のあるロバストな損失関数で訓練され、応答時間とスループットのために大規模なWSDREAM-2データセット上で最先端のパフォーマンスを実証した。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• GACL: Graph Attention Collaborative Learning for Temporal QoS Prediction [5.040979636805073]
  時間的予測のための新しいグラフ協調学習(GACL)フレームワークを提案する。 動的ユーザサービスグラフ上に構築され、過去のインタラクションを包括的にモデル化する。 WS-DREAMデータセットの実験は、GACLが時間的予測のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-20T05:38:47Z)
• Large Language Model Meets Graph Neural Network in Knowledge Distillation [7.686812700685084]
  サービス指向アーキテクチャにおけるQoS(Quality of Service)を予測するための時間認識フレームワークを提案する。 提案するTOGCLフレームワークは,複数のメトリクスにわたって最先端のメソッドを著しく上回り,最大38.80%の改善を実現している。
  論文  参考訳（メタデータ） (2024-02-08T18:33:21Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph Convolution [0.16317061277456998]
  我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。 ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。 ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-22T04:37:51Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• TPMCF: Temporal QoS Prediction using Multi-Source Collaborative Features [0.5161531917413706]
  時間的予測は、時間とともに適切なサービスを特定するために不可欠である。 近年の手法は, 様々な制約により, 所望の精度が得られなかった。 本稿では,マルチソース協調機能を用いた時間予測のためのスケーラブルな戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-30T06:49:53Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• On Efficient Uncertainty Estimation for Resource-Constrained Mobile Applications [0.0]
  予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。 Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。 我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-11-11T22:24:15Z)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)

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。