論文の概要: DRSLF: Double Regularized Second-Order Low-Rank Representation for Web Service QoS Prediction

• arxiv url: http://arxiv.org/abs/2505.03822v1
• Date: Sat, 03 May 2025 02:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.843718
• Title: DRSLF: Double Regularized Second-Order Low-Rank Representation for Web Service QoS Prediction
• Title（参考訳）: DRSLF: Web Service QoS予測のための二重正規化二階低ランク表現
• Authors: Hao Wu, Jialiang Wang,
• Abstract要約: QoS(Quality-of-Service)データは、クラウドサービスの選択において重要な役割を果たす。 ユーザはすべてのサービスにアクセスすることができないので、高次元かつ不完全な(HDI)行列で表すことができる。 本稿では,2つの鍵となるアイデアを持つ二重正則化2次潜在因子(DRSLF)モデルを提案する。 2つの実世界の応答時間データセットの実験結果から、DRSLFは2つのベースラインよりも低ランク表現能力が高いことが示された。
• 参考スコア（独自算出の注目度）: 5.983592190096463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quality-of-Service (QoS) data plays a crucial role in cloud service selection. Since users cannot access all services, QoS can be represented by a high-dimensional and incomplete (HDI) matrix. Latent factor analysis (LFA) models have been proven effective as low-rank representation techniques for addressing this issue. However, most LFA models rely on first-order optimizers and use L2-norm regularization, which can lead to lower QoS prediction accuracy. To address this issue, this paper proposes a double regularized second-order latent factor (DRSLF) model with two key ideas: a) integrating L1-norm and L2-norm regularization terms to enhance the low-rank representation performance; b) incorporating second-order information by calculating the Hessian-vector product in each conjugate gradient step. Experimental results on two real-world response-time QoS datasets demonstrate that DRSLF has a higher low-rank representation capability than two baselines.
• Abstract（参考訳）: QoS(Quality-of-Service)データは、クラウドサービスの選択において重要な役割を果たす。 ユーザがすべてのサービスにアクセスすることができないため、QoSは高次元かつ不完全な(HDI)行列で表現することができる。 遅延因子分析(LFA)モデルはこの問題に対処するための低ランク表現技術として有効であることが証明されている。 しかし、ほとんどのLFAモデルは1次オプティマイザに依存し、L2-ノルム正規化を使用するため、QoS予測精度が低下する可能性がある。 この問題に対処するため,本稿では,2つの主要なアイデアを持つ2次正則化2次潜在因子(DRSLF)モデルを提案する。 a) 低ランク表示性能を高めるためにL1-norm及びL2-norm正規化項を統合すること b) 各共役勾配ステップにおいてヘッセンベクトル積を計算することにより二階情報を統合すること。 2つの実世界の応答時間QoSデータセットの実験結果から、DRSLFは2つのベースラインよりも低ランク表現能力が高いことが示された。

関連論文リスト

• Efficient Inference for Large Language Model-based Generative Recommendation [78.38878421030522]
  LLM(Large Language Model)ベースの生成レコメンデーションは目覚ましい成功を収めた。 ジェネレーティブレコメンデーションにSD(Speculative Decoding)を適用すると、トップKアイテムを生成する必要があるため、ユニークな課題が提示される。 我々は,厳密なトップK検証の下でトップKアライメントを最適化する AtSpeed-S というアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T16:23:36Z)
• Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
  ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。 本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。 我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
  論文  参考訳（メタデータ） (2024-09-25T03:39:14Z)
• PSLF: A PID Controller-incorporated Second-order Latent Factor Analysis Model for Recommender System [11.650076383080526]
  2次ベースHDIモデル(SLF)解析はグラフ学習において特に高次および不完全因子データレートにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-31T13:01:58Z)
• Graph-Structured Speculative Decoding [52.94367724136063]
  投機的復号化は、大規模言語モデルの推論を加速する有望な手法として登場した。 本稿では, 有向非巡回グラフ(DAG)を応用して, 起案された仮説を管理する革新的な手法を提案する。 我々は1.73$times$から1.96$times$に顕著なスピードアップを観察し、標準投機的復号法を大幅に上回った。
  論文  参考訳（メタデータ） (2024-07-23T06:21:24Z)
• Q2A: Querying Implicit Fully Continuous Feature Pyramid to Align Features for Medical Image Segmentation [10.66113563605316]
  本稿では,INRベースのデコーダの特徴的不整合問題を解決するために,新しい一段階のクエリベースの整合性パラダイムであるQ2Aを提案する。 各目標座標について、Q2Aはまず、その座標に整列したコンテキスト特徴の空間オフセットとセル解像度を記述した複数のクエリを生成し、それに対応する特徴を算出する。
  論文  参考訳（メタデータ） (2024-04-15T05:53:26Z)
• Mini-Hes: A Parallelizable Second-order Latent Factor Analysis Model [8.06111903129142]
  本稿では,LFAモデル構築のためのミニブロック対角ヘシアンフリー(Mini-Hes)最適化を提案する。 実験結果から,Mini-Hesでは,LFAモデルは欠落したデータ推定タスクに対処する上で,いくつかの最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-19T08:43:00Z)
• Latent Space Perspicacity and Interpretation Enhancement (LS-PIE) Framework [0.0]
  本稿では,線形潜在空間の解釈可能性向上のための潜在空間表現を強化するための一般的な枠組みを提案する。 この論文のコンセプトは言語に依存しないが、フレームワークはPythonで記述されている。 ラテント・ランキング(LR)、ラテント・スケーリング(LS)、ラテント・クラスタリング(LC)、ラテント・コンデンシング(LCON)など、いくつかの革新的な拡張が組み込まれている。
  論文  参考訳（メタデータ） (2023-07-11T03:56:04Z)
• Second-order Symmetric Non-negative Latent Factor Analysis [3.1616300532562396]
  本稿では,SNLFに効率的な2次法を組み込むことを提案する。 目的は、二階対称ネットワークモデル解析モデルを確立することである。
  論文  参考訳（メタデータ） (2022-03-04T01:52:36Z)
• Solving Multistage Stochastic Linear Programming via Regularized Linear Decision Rules: An Application to Hydrothermal Dispatch Planning [77.34726150561087]
  AdaSO(Adaptive least absolute shrinkage and selection operator)に基づく線形決定規則(LDR)の新しい正規化手法を提案する。 実験により、MSLPを解くために古典的な非正規化LDRを使用する場合、過度に適合する脅威は無視できないことが示された。 LHDP問題に対しては、非正規化ベンチマークと比較して、提案したフレームワークの次の利点を強調した。
  論文  参考訳（メタデータ） (2021-10-07T02:36:14Z)
• Sample-Efficient Reinforcement Learning Is Feasible for Linearly Realizable MDPs with Limited Revisiting [60.98700344526674]
  線形関数表現のような低複雑度モデルがサンプル効率のよい強化学習を可能にする上で重要な役割を果たしている。 本稿では,オンライン/探索的な方法でサンプルを描画するが,制御不能な方法で以前の状態をバックトラックし,再訪することができる新しいサンプリングプロトコルについて検討する。 この設定に合わせたアルゴリズムを開発し、特徴次元、地平線、逆の準最適ギャップと実際にスケールするサンプル複雑性を実現するが、状態/作用空間のサイズではない。
  論文  参考訳（メタデータ） (2021-05-17T17:22:07Z)

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。