論文の概要: QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction

• arxiv url: http://arxiv.org/abs/2505.07863v1
• Date: Fri, 09 May 2025 03:15:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.235421
• Title: QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction
• Title（参考訳）: QoSBERT: サービス品質予測のための事前学習言語モデルに基づく不確実性認識アプローチ
• Authors: Ziliang Wang, Xiaohong Zhang, Ze Shi Li, Meng Yan,
• Abstract要約: 我々は,事前訓練された言語モデルに基づいて,予測を意味的回帰タスクとして再構成する最初のフレームワークであるBERTを提案する。 我々はモンテカルロ・ドロップアウトに基づく不確実性推定モジュールを統合し、信頼性の高いリスク対応サービス品質予測を可能にする。 BERTは、応答時間予測では平均11.7%、RMSEでは6.7%、スループット予測では6.9%となっている。
• 参考スコア（独自算出の注目度）: 4.711507071955676
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Accurate prediction of Quality of Service (QoS) metrics is fundamental for selecting and managing cloud based services. Traditional QoS models rely on manual feature engineering and yield only point estimates, offering no insight into the confidence of their predictions. In this paper, we propose QoSBERT, the first framework that reformulates QoS prediction as a semantic regression task based on pre trained language models. Unlike previous approaches relying on sparse numerical features, QoSBERT automatically encodes user service metadata into natural language descriptions, enabling deep semantic understanding. Furthermore, we integrate a Monte Carlo Dropout based uncertainty estimation module, allowing for trustworthy and risk-aware service quality prediction, which is crucial yet underexplored in existing QoS models. QoSBERT applies attentive pooling over contextualized embeddings and a lightweight multilayer perceptron regressor, fine tuned jointly to minimize absolute error. We further exploit the resulting uncertainty estimates to select high quality training samples, improving robustness in low resource settings. On standard QoS benchmark datasets, QoSBERT achieves an average reduction of 11.7% in MAE and 6.7% in RMSE for response time prediction, and 6.9% in MAE for throughput prediction compared to the strongest baselines, while providing well calibrated confidence intervals for robust and trustworthy service quality estimation. Our approach not only advances the accuracy of service quality prediction but also delivers reliable uncertainty quantification, paving the way for more trustworthy, data driven service selection and optimization.
• Abstract（参考訳）: クラウドベースのサービスの選択と管理には、QoS(Quality of Service)メトリクスの正確な予測が不可欠です。 従来のQoSモデルは手動の特徴工学に依存しており、予測の信頼性についての洞察を提供していない。 本稿では,事前訓練された言語モデルに基づく意味的回帰タスクとして,QoS予測を再構成する最初のフレームワークであるQoSBERTを提案する。 スパース数値機能に依存する従来のアプローチとは異なり、QoSBERTはユーザサービスメタデータを自然言語記述に自動的にエンコードし、深いセマンティック理解を可能にする。 さらに,モンテカルロ・ドロップアウトをベースとした不確実性推定モジュールを統合して,既存のQoSモデルでは過小評価されていない信頼性の高いサービス品質予測を可能にする。 QoSBERTは、最小限の誤差を最小化するために、コンテキスト埋め込みよりも注意深いプーリングと、協調的に調整された軽量な多層パーセプトロン回帰器を適用している。 さらに、得られた不確実性評価を、高品質なトレーニングサンプルの選択に活用し、低リソース環境における堅牢性を向上させる。 標準的なQoSベンチマークデータセットでは、QoSBERTは応答時間予測のMAEの11.7%、RMSEの6.7%、スループット予測のMAEの6.9%を達成している。 当社のアプローチは,サービス品質予測の精度を向上するだけでなく,信頼性の高い不確実性定量化も実現しています。

関連論文リスト

• Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
  本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。 我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
  論文  参考訳（メタデータ） (2023-11-26T22:47:54Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Towards Clear Expectations for Uncertainty Estimation [64.20262246029286]
  不確実性定量化(UQ)は、信頼できる機械学習(ML)を実現するために不可欠である ほとんどのUQ手法は、異なる不整合評価プロトコルに悩まされている。 この意見書は、これらの要件を5つの下流タスクを通して指定することで、新たな視点を提供する。
  論文  参考訳（メタデータ） (2022-07-27T07:50:57Z)
• Balancing Cost and Quality: An Exploration of Human-in-the-loop Frameworks for Automated Short Answer Scoring [36.58449231222223]
  短い回答スコアリング(英: Short answer score、SAS)とは、学習者によって書かれた短いテキストを段階的に評価するタスクである。 本稿では,グルーピングコストを最小化するためのHuman-in-the-loopフレームワークの利用について検討する。 提案手法により,自動スコアリングモデルと人間のグリーマーによる目標スコアリング品質の達成が可能となった。
  論文  参考訳（メタデータ） (2022-06-16T16:43:18Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• MDQE: A More Accurate Direct Pretraining for Machine Translation Quality Estimation [4.416484585765028]
  データ品質とトレーニングの目的の両方において,予測器と推定器の間にはまだギャップがある,と我々は主張する。 本稿では,QEタスクに対してより正確な事前学習を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T09:48:37Z)
• FES: A Fast Efficient Scalable QoS Prediction Framework [0.9176056742068814]
  予測アルゴリズムを設計する主な目的の1つは、十分な予測精度を達成することです。 アルゴリズムは、リアルタイムのレコメンデーションシステムに統合できるように、予測時間の観点からより高速でなければなりません。 既存の予測アルゴリズムは、他のアルゴリズムを確実にしながら、ある目標に対して妥協することが多い。
  論文  参考訳（メタデータ） (2021-03-12T19:28:17Z)
• A Probability Distribution and Location-aware ResNet Approach for QoS Prediction [8.491818037756488]
  予測のための高度な確率分布と位置認識型ResNetアプローチを提案する。 以上の結果から, PLRは予測に有効であり, 密度5%～30%では, LDCFを12.35%～15.37%上回った。
  論文  参考訳（メタデータ） (2020-11-16T08:22:04Z)
• 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)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。