論文の概要: SHARP-QoS: Sparsely-gated Hierarchical Adaptive Routing for joint Prediction of QoS

• arxiv url: http://arxiv.org/abs/2512.17262v1
• Date: Fri, 19 Dec 2025 06:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.262841
• Title: SHARP-QoS: Sparsely-gated Hierarchical Adaptive Routing for joint Prediction of QoS
• Title（参考訳）: SHARP-QoS:QoSの結合予測のための疎ゲート階層型適応ルーティング
• Authors: Suraj Kumar, Arvind Kumar, Soumi Chattopadhyay,
• Abstract要約: サービス指向コンピューティングは、サービスの最適性を評価するのに不可欠な複数のQuality of Service(QoS)パラメータに依存しています。 既存の手法はしばしば各パラメータを別々に予測し、複数の類似したモデルを必要とする。 本稿では,SHARP-QoSと呼ばれる共同予測のための統一的戦略を提案し,これらの課題を3つのコンポーネントを用いて解決する。
• 参考スコア（独自算出の注目度）: 2.2567016485314797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dependable service-oriented computing relies on multiple Quality of Service (QoS) parameters that are essential to assess service optimality. However, real-world QoS data are extremely sparse, noisy, and shaped by hierarchical dependencies arising from QoS interactions, and geographical and network-level factors, making accurate QoS prediction challenging. Existing methods often predict each QoS parameter separately, requiring multiple similar models, which increases computational cost and leads to poor generalization. Although recent joint QoS prediction studies have explored shared architectures, they suffer from negative transfer due to loss-scaling caused by inconsistent numerical ranges across QoS parameters and further struggle with inadequate representation learning, resulting in degraded accuracy. This paper presents an unified strategy for joint QoS prediction, called SHARP-QoS, that addresses these issues using three components. First, we introduce a dual mechanism to extract the hierarchical features from both QoS and contextual structures via hyperbolic convolution formulated in the Poincaré ball. Second, we propose an adaptive feature-sharing mechanism that allows feature exchange across informative QoS and contextual signals. A gated feature fusion module is employed to support dynamic feature selection among structural and shared representations. Third, we design an EMA-based loss balancing strategy that allows stable joint optimization, thereby mitigating the negative transfer. Evaluations on three datasets with two, three, and four QoS parameters demonstrate that SHARP-QoS outperforms both single- and multi-task baselines. Extensive study shows that our model effectively addresses major challenges, including sparsity, robustness to outliers, and cold-start, while maintaining moderate computational overhead, underscoring its capability for reliable joint QoS prediction.
• Abstract（参考訳）: 依存関係のあるサービス指向コンピューティングは、サービスの最適性を評価するのに不可欠な複数のQuality of Service (QoS)パラメータに依存します。 しかし、実世界のQoSデータは、QoSの相互作用から生じる階層的依存関係と地理的およびネットワークレベルの要因によって非常に疎く、ノイズがあり、形成され、正確なQoS予測が困難になる。 既存の手法はしばしば各QoSパラメータを別々に予測し、複数の類似したモデルを必要とする。 最近の共同QoS予測研究は共有アーキテクチャを探索しているが、QoSパラメータ間の不整合数値範囲による損失スケーリングによる負の移動に悩まされ、さらに表現学習に苦慮し、精度が低下する。 本稿では,これらの問題に3つのコンポーネントを用いて対処する,SHARP-QoSという共同QoS予測の統一戦略を提案する。 まず、ポアンカレ球で定式化された双曲的畳み込みにより、QoSと文脈構造の両方から階層的特徴を抽出する双対機構を導入する。 第2に、情報伝達QoSとコンテキスト信号間の特徴交換を可能にする適応的な特徴共有機構を提案する。 構造的および共有表現間の動的特徴選択をサポートするために、ゲート機能融合モジュールが使用される。 第3に、安定な関節最適化が可能なEMAに基づく損失バランス戦略を設計し、負の移動を緩和する。 2、3、4つのQoSパラメータを持つ3つのデータセットの評価は、SHARP-QoSがシングルタスクベースラインとマルチタスクベースラインの両方を上回っていることを示している。 本研究は, 計算オーバーヘッドを緩やかに保ちながら, 疎水性, 外れ値に対する堅牢性, コールドスタートなどの主要な課題に効果的に対処できることを示し, 信頼性の高い共同QoS予測能力について検討した。

関連論文リスト

• QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
  宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。 本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
  論文  参考訳（メタデータ） (2025-12-17T06:22:46Z)
• Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
  検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。 検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。 本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
  論文  参考訳（メタデータ） (2025-10-21T18:05:42Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Compressed Feature Quality Assessment: Dataset and Baselines [89.62929964441962]
  圧縮された特徴のセマンティック忠実度を評価するための最初のベンチマークデータセットを提案する。 MSE、コサイン類似性、CKA(Centered Kernel Alignment)という3つの広く使われているメトリクスを、意味的劣化を捉える能力の観点から体系的に評価する。 この研究は、基礎的なベンチマークを確立し、コミュニティがCFQAを探索するための重要なリソースを提供することによって、この分野を前進させます。
  論文  参考訳（メタデータ） (2025-06-09T04:16:39Z)
• Anomaly Resilient Temporal QoS Prediction using Hypergraph Convoluted Transformer Network [0.47248250311484113]
  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。
  論文  参考訳（メタデータ） (2024-10-23T11:01:39Z)
• SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks [50.91365514137301]
  宇宙空間量子(SPARQ)ネットワークは、シームレスなオンデマンドの絡み合い分布を提供する手段として開発された。 SPARQの複数のグラフ上でディープQネットワーク(DQN)を用いて深層強化学習フレームワークを提案し,訓練した。 通信相手間の絡み合いを確立するために,サードパーティの絡み合い分散政策を提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:31:37Z)
• 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)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• A Unified One-Step Solution for Aspect Sentiment Quad Prediction [3.428123050377681]
  アスペクトベースの感情分析において、アスペクト感情クワッド予測(ASQP)は難しいが重要なサブタスクである。 我々はASQPのための2つの新しいデータセットをリリースし、このデータセットには、より大きなサイズ、サンプルあたりの単語数、より高密度の2つの特徴が含まれている。 そこで我々は,ASQPを統一したワンステップソリューションであるOne-ASQPを提案し,アスペクトカテゴリを検出し,アスペクト-オピニオン-感覚三重項を同時に同定する。
  論文  参考訳（メタデータ） (2023-06-07T05:00:01Z)

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。