論文の概要: Self-Augmented Mixture-of-Experts for QoS Prediction

• arxiv url: http://arxiv.org/abs/2601.11036v2
• Date: Fri, 23 Jan 2026 03:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.277996
• Title: Self-Augmented Mixture-of-Experts for QoS Prediction
• Title（参考訳）: QoS予測のための自己拡張混合実験
• Authors: Kecheng Cai, Chao Peng, Chenyang Xu, Xia Chen, Yi Wang, Shuo Shi, Qiyuan Liang,
• Abstract要約: QoS(Quality of Service)予測は、サービスコンピューティングにおける最も基本的な問題の1つである。 予測における重要な課題は、ユーザとサービス間の相互作用が本質的に分散していることである。 本稿では,モデル自身の予測を反復的洗練のために活用する自己拡張型戦略を提案する。
• 参考スコア（独自算出の注目度）: 9.607159299982559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quality of Service (QoS) prediction is one of the most fundamental problems in service computing and personalized recommendation. In the problem, there is a set of users and services, each associated with a set of descriptive features. Interactions between users and services produce feedback values, typically represented as numerical QoS metrics such as response time or availability. Given the observed feedback for a subset of user-service pairs, the goal is to predict the QoS values for the remaining pairs. A key challenge in QoS prediction is the inherent sparsity of user-service interactions, as only a small subset of feedback values is typically observed. To address this, we propose a self-augmented strategy that leverages a model's own predictions for iterative refinement. In particular, we partially mask the predicted values and feed them back into the model to predict again. Building on this idea, we design a self-augmented mixture-of-experts model, where multiple expert networks iteratively and collaboratively estimate QoS values. We find that the iterative augmentation process naturally aligns with the MoE architecture by enabling inter-expert communication: in the second round, each expert receives the first-round predictions and refines its output accordingly. Experiments on benchmark datasets show that our method outperforms existing baselines and achieves competitive results.
• Abstract（参考訳）: 品質・オブ・サービス(QoS)予測は、サービスコンピューティングとパーソナライズされたレコメンデーションにおける最も基本的な問題の1つです。 問題には、ユーザとサービスのセットがあり、それぞれが記述的な機能のセットに関連付けられています。 ユーザとサービス間のインタラクションはフィードバック値を生成し、通常は応答時間や可用性などの数値的なQoSメトリクスとして表現される。 ユーザサービスペアのサブセットに対する観測されたフィードバックを考えると、目標は残りのペアのQoS値を予測することだ。 QoS予測における重要な課題は、フィードバック値の小さなサブセットが典型的に観察されるため、ユーザとサービス間の相互作用が本質的に分散していることである。 そこで本研究では,モデル自体の予測を反復的改善に活用する自己拡張型戦略を提案する。 特に、予測された値を部分的に隠蔽し、モデルにフィードバックして再度予測する。 このアイデアに基づいて、我々は、複数の専門家ネットワークが反復的かつ協調的にQoS値を推定する自己拡張型ミックス・オブ・エキスパートモデルを設計する。 第2ラウンドでは、各専門家が第1ラウンドの予測を受け取り、その出力を改良する。 ベンチマークデータセットの実験により,提案手法は既存のベースラインより優れ,競争力のある結果が得られることが示された。

関連論文リスト

• Conv4Rec: A 1-by-1 Convolutional AutoEncoder for User Profiling through Joint Analysis of Implicit and Explicit Feedbacks [35.7275102787435]
  ユーザモデリングとレコメンデーションタスクのための新しい畳み込み型AutoEncoderアーキテクチャを導入する。 このモデルでは,明示的な評価とサンプリングパターンの暗黙的な情報の両方から,共同で学習することができる。 いくつかの実生活データセットの実験において、暗黙的および明示的なフィードバック予測タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-09T08:25:11Z)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
  LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。 このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。 本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。 また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
  論文  参考訳（メタデータ） (2024-10-17T18:22:50Z)
• GACL: Graph Attention Collaborative Learning for Temporal QoS Prediction [5.040979636805073]
  時間的予測のための新しいグラフ協調学習(GACL)フレームワークを提案する。 動的ユーザサービスグラフ上に構築され、過去のインタラクションを包括的にモデル化する。 WS-DREAMデータセットの実験は、GACLが時間的予測のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-20T05:38:47Z)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• 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)
• 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)

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。