論文の概要: DK-Root: A Joint Data-and-Knowledge-Driven Framework for Root Cause Analysis of QoE Degradations in Mobile Networks

• arxiv url: http://arxiv.org/abs/2511.11737v1
• Date: Thu, 13 Nov 2025 09:32:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.193647
• Title: DK-Root: A Joint Data-and-Knowledge-Driven Framework for Root Cause Analysis of QoE Degradations in Mobile Networks
• Title（参考訳）: DK-Root:モバイルネットワークにおけるQoE劣化の根本原因分析のための共同データ・知識駆動型フレームワーク
• Authors: Qizhe Li, Haolong Chen, Jiansheng Li, Shuqi Chai, Xuan Li, Yuzhou Hou, Xinhua Shao, Fangfang Li, Kaifeng Han, Guangxu Zhu,
• Abstract要約: DK-Rootは,根本原因分析のための共同データ・知識駆動型フレームワークである。 堅牢な根本原因分析のための厳密な専門家ガイダンスとともに、スケーラブルな弱監視を統一する。 実世界のオペレータグレードデータセットの実験では、最先端の精度が示されている。
• 参考スコア（独自算出の注目度）: 17.511985643225618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnosing the root causes of Quality of Experience (QoE) degradations in operational mobile networks is challenging due to complex cross-layer interactions among kernel performance indicators (KPIs) and the scarcity of reliable expert annotations. Although rule-based heuristics can generate labels at scale, they are noisy and coarse-grained, limiting the accuracy of purely data-driven approaches. To address this, we propose DK-Root, a joint data-and-knowledge-driven framework that unifies scalable weak supervision with precise expert guidance for robust root-cause analysis. DK-Root first pretrains an encoder via contrastive representation learning using abundant rule-based labels while explicitly denoising their noise through a supervised contrastive objective. To supply task-faithful data augmentation, we introduce a class-conditional diffusion model that generates KPIs sequences preserving root-cause semantics, and by controlling reverse diffusion steps, it produces weak and strong augmentations that improve intra-class compactness and inter-class separability. Finally, the encoder and the lightweight classifier are jointly fine-tuned with scarce expert-verified labels to sharpen decision boundaries. Extensive experiments on a real-world, operator-grade dataset demonstrate state-of-the-art accuracy, with DK-Root surpassing traditional ML and recent semi-supervised time-series methods. Ablations confirm the necessity of the conditional diffusion augmentation and the pretrain-finetune design, validating both representation quality and classification gains.
• Abstract（参考訳）: カーネル性能指標(KPI)間の複雑な層間相互作用と信頼性の高い専門家アノテーションの不足により,運用モバイルネットワークにおけるQoE劣化の根本原因の診断は困難である。 ルールベースのヒューリスティックスは大規模にラベルを生成することができるが、ノイズがあり粗い粒度であり、純粋にデータ駆動アプローチの精度を制限している。 そこで我々はDK-Rootを提案する。DK-Rootは、堅牢な根源解析のための厳密な専門家指導とスケーラブルな弱監督を統一するデータ・知識駆動型フレームワークである。 DK-Rootは、まず、豊富なルールベースのラベルを使用して、コントラッシブな表現学習を通じてエンコーダを事前訓練する。 タスクフルなデータ拡張を実現するために,根本原因のセマンティクスを保存するKPIs配列を生成するクラス条件拡散モデルを導入し,逆拡散ステップを制御することにより,クラス内コンパクト性とクラス間分離性を向上する弱い,強い拡張を生成する。 最後に、エンコーダと軽量な分類器は、決定境界を鋭くするために、希少な専門家認証ラベルと結合して微調整される。 実世界のオペレータグレードデータセットに関する大規模な実験は、DK-Rootが従来のMLと最近の半教師付き時系列メソッドを超越した最先端の精度を示している。 アブレーションは条件付き拡散増強とプレトレイン・ファインチューン設計の必要性を確認し、表現品質と分類ゲインの両立を検証した。

関連論文リスト

• CleverCatch: A Knowledge-Guided Weak Supervision Model for Fraud Detection [0.36944296923226316]
  CleverCatchは、不正な処方の振る舞いを検出するために設計された知識誘導弱監視モデルである。 このアプローチでは、構造化ドメインの専門知識をニューラルネットワークに統合し、共有埋め込みスペース内のルールとデータサンプルを調整する。 大規模な実世界のデータセットの実験では、CleverCatchは4つの最先端の異常検出ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-15T06:49:31Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• RationAnomaly: Log Anomaly Detection with Rationality via Chain-of-Thought and Reinforcement Learning [27.235259453535537]
  RationAnomalyは、Chain-of-Thoughtファインチューニングと強化学習を相乗化することにより、ログの異常検出を強化する新しいフレームワークである。 コードとデータセットを含む、対応するリソースをリリースしました。
  論文  参考訳（メタデータ） (2025-09-18T07:35:58Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• Soft ascent-descent as a stable and flexible alternative to flooding [6.527016551650139]
  我々は,軟化・ポイントワイド機構であるSoftADを提案する。この機構は,降水量と降水量の影響を制限し,洪水の上昇・昇華効果を維持できる。 我々は,より小さな損失一般化ギャップとモデル規範を享受しながら,浸水と競合する分類精度をSoftADが実現できることを実証する。
  論文  参考訳（メタデータ） (2023-10-16T02:02:56Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。