論文の概要: Attention Enhanced Entity Recommendation for Intelligent Monitoring in Cloud Systems

• arxiv url: http://arxiv.org/abs/2510.20640v1
• Date: Thu, 23 Oct 2025 15:14:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.234138
• Title: Attention Enhanced Entity Recommendation for Intelligent Monitoring in Cloud Systems
• Title（参考訳）: クラウドコンピューティングにおけるインテリジェントモニタリングのための注意力強化エンティティレコメンデーション
• Authors: Fiza Hussain, Anson Bastos, Anjaly Parayil, Ayush Choure, Chetan Bansal, Rujia Wang, Saravan Rajmohan,
• Abstract要約: DeRecGNNは、Microsoftにおけるクラウドサービス監視のための注目度の高いエンティティレコメンデーションフレームワークである。 当社は、クラウドサービス所有者が認識しているこの機能の有用性と、デプロイメントから学んだ教訓について、洞察を提供する。
• 参考スコア（独自算出の注目度）: 20.57785917249615
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we present DiRecGNN, an attention-enhanced entity recommendation framework for monitoring cloud services at Microsoft. We provide insights on the usefulness of this feature as perceived by the cloud service owners and lessons learned from deployment. Specifically, we introduce the problem of recommending the optimal subset of attributes (dimensions) that should be tracked by an automated watchdog (monitor) for cloud services. To begin, we construct the monitor heterogeneous graph at production-scale. The interaction dynamics of these entities are often characterized by limited structural and engagement information, resulting in inferior performance of state-of-the-art approaches. Moreover, traditional methods fail to capture the dependencies between entities spanning a long range due to their homophilic nature. Therefore, we propose an attention-enhanced entity ranking model inspired by transformer architectures. Our model utilizes a multi-head attention mechanism to focus on heterogeneous neighbors and their attributes, and further attends to paths sampled using random walks to capture long-range dependencies. We also employ multi-faceted loss functions to optimize for relevant recommendations while respecting the inherent sparsity of the data. Empirical evaluations demonstrate significant improvements over existing methods, with our model achieving a 43.1% increase in MRR. Furthermore, product teams who consumed these features perceive the feature as useful and rated it 4.5 out of 5.
• Abstract（参考訳）: 本稿では,Microsoftにおけるクラウドサービス監視のための注目度の高いエンティティレコメンデーションフレームワークであるDiRecGNNを紹介する。 当社は、クラウドサービス所有者が認識しているこの機能の有用性と、デプロイメントから学んだ教訓について、洞察を提供する。 具体的には、クラウドサービスの自動監視(モニタ)によって追跡されるべき属性(次元)の最適サブセットを推奨する問題を紹介します。 まず、実運用規模でモニタの不均一グラフを構築する。 これらの実体の相互作用のダイナミクスは、しばしば限られた構造情報とエンゲージメント情報によって特徴づけられる。 さらに、伝統的な手法は、そのホモ親和性から長い範囲にまたがるエンティティ間の依存関係を捉えることができない。 そこで本稿では,トランスフォーマーアーキテクチャにインスパイアされた,注目度の高いエンティティランキングモデルを提案する。 本モデルでは,異種近傍とその属性に着目したマルチヘッドアテンション機構を用いて,ランダムウォークを用いて長距離依存性を捕捉する経路を探索する。 また、データ固有の疎さを尊重しながら、関連するレコメンデーションを最適化するために、多面的損失関数も採用しています。 実験により, MRRの43.1%増加を達成し, 既存手法よりも顕著な改善が得られた。 さらに、これらの機能を消費したプロダクトチームは、この機能を有用と認識し、5.5のうち4.5に評価した。

関連論文リスト

• Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions [2.9633211091806997]
  我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
  論文  参考訳（メタデータ） (2025-03-23T06:30:48Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation [1.3812010983144802]
  本稿では,マルチモーダルデータの統合と浄化に焦点をあてた,マルチモーダルレコメンデーションシステムに対する新しいアプローチを提案する。 各種データからノイズを除去するフィルタを開発し,提案手法の信頼性を高めた。 我々は、各データセットに対するトップKスパリフィケーションの影響を調査し、不適合と過適合のバランスをとる最適な値を発見した。
  論文  参考訳（メタデータ） (2024-05-29T12:18:32Z)
• Fortify the Shortest Stave in Attention: Enhancing Context Awareness of Large Language Models for Effective Tool Use [74.72150542395487]
  大規模言語モデル(LLM)の注意配分における固有波形パターンは、高い文脈認識を必要とするタスクにおいて、その性能に大きな影響を及ぼす。 この問題に対処するため,Attention Buckets という新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T17:24:51Z)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• Studying How to Efficiently and Effectively Guide Models with Explanations [52.498055901649025]
  「モデルガイダンス」とは「正しい理由のために正しい」ことを保証するためにモデルの説明を規則化する考え方である。 PASCAL VOC 2007 および MS COCO 2014 データセット上で, 各種損失関数, 帰属方法, モデル, 誘導深度について詳細な評価を行う。 具体的には、一般的に使用されるセグメンテーションマスクよりもはるかに安価で入手可能なバウンディングボックスアノテーションを用いてモデルをガイドする。
  論文  参考訳（メタデータ） (2023-03-21T15:34:50Z)
• Self-Attention Neural Bag-of-Features [103.70855797025689]
  我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。 本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-01-26T17:54:14Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)

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。