論文の概要: A Biased Nonnegative Block Term Tensor Decomposition Model for Dynamic QoS Prediction

• arxiv url: http://arxiv.org/abs/2605.04813v1
• Date: Wed, 06 May 2026 12:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.802664
• Title: A Biased Nonnegative Block Term Tensor Decomposition Model for Dynamic QoS Prediction
• Title（参考訳）: 動的QoS予測のためのバイアス非負ブロック項テンソル分解モデル
• Abstract要約: 潜在特徴分析は多次元データをモデル化する効果的な方法を提供する。 既存の予測手法の多くは、主にカノニカルポリアディクス(CP)分解またはタッカー分解に基づいている。 本稿では,バイアス非負ブロック項分解モデルに基づく動的予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.308228155982687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development of cloud computing and Web services, Quality of Service (QoS) has become a key criterion for service selection and recommendation. Tensor latent feature analysis provides an effective way to model multidimensional QoS data, and most existing QoS prediction methods are mainly based on Canonical Polyadic (CP) decomposition or Tucker decomposition. However, constrained by their inherent structural properties, these methods cannot accurately capture the complex and dynamic dependencies in user-service interactions, which limits their prediction performance. To address this issue, this paper proposes a dynamic QoS prediction framework based on the Biased Nonnegative Block Term Tensor Decomposition Model, termed BNBT. Specifically, the proposed framework is developed from three aspects: (1) block term tensor decomposition is employed to enhance the representation capability of latent feature learning; (2) linear bias terms are incorporated to further improve prediction accuracy; and (3) a tensor-oriented single-element-dependent nonnegative multiplicative update algorithm, called SLF-NMUT, is designed for efficient parameter estimation. Extensive experiments on real-world QoS datasets demonstrate that the proposed BNBT framework consistently outperforms several state-of-the-art QoS prediction methods in terms of prediction accuracy.
• Abstract（参考訳）: クラウドコンピューティングとWebサービスの急速な開発により、Quality of Service(QoS)はサービス選択とレコメンデーションの重要な基準になっています。 テンソル潜在特徴分析は多次元QoSデータのモデル化に有効な方法であり、既存のQoS予測手法のほとんどは、主にカノニカルポリアディクス(CP)分解またはタッカー分解に基づいている。 しかし、それら固有の構造的特性に制約されているため、これらの手法は、ユーザとサービス間のインタラクションにおける複雑で動的な依存関係を正確にキャプチャすることができず、予測性能が制限される。 本稿では、BNBTと呼ばれるバイアス非負ブロックテンソル分解モデルに基づく動的QoS予測フレームワークを提案する。 具体的には,(1)ブロック項テンソル分解を用いて潜在特徴学習の表現能力を向上し,(2)線形バイアス項を組み込んで予測精度を向上し,(3)SLF-NMUTと呼ばれるテンソル指向の単要素依存非負乗算的更新アルゴリズムを設計する。 実世界のQoSデータセットに関する大規模な実験は、提案されたBNBTフレームワークが予測精度の観点から、最先端のQoS予測手法を一貫して上回っていることを示している。

関連論文リスト

• A Novel Approach to Temporal QoS Estimation via Extended Kalman Filter-Incorporated Latent Feature Analysis [20.92363732107246]
  本稿では,効率的な時間的予測を行うために,拡張カルマンフィルタ拡張潜在特徴分析(EKL)モデルを提案する。 提案するEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っている。 実世界の時間的データセットを用いて行った実験結果から,提案したEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-06-22T08:22:18Z)
• Matching Features, Not Tokens: Energy-Based Fine-Tuning of Language Models [102.20309135516186]
  クロスエントロピー(CE)トレーニングは、言語モデルの密集したスケーラブルな監視を提供する。 言語モデル微調整のための特徴マッチング手法を提案する。 この目的を効率的に最適化するために,エネルギーベースファインチューニングを提案する。
  論文  参考訳（メタデータ） (2026-03-12T17:57:50Z)
• SHARP-QoS: Sparsely-gated Hierarchical Adaptive Routing for joint Prediction of QoS [2.2567016485314797]
  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。
  論文  参考訳（メタデータ） (2025-12-19T06:25:05Z)
• The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
  予備学習が最終モデルの成功をどう形作るかを検討する。 下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
  論文  参考訳（メタデータ） (2025-10-16T17:53:50Z)
• Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
  ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。 彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。 この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-12-04T12:31:15Z)
• 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)
• Web Service QoS Prediction via Extended Canonical Polyadic-based Tensor Network [2.2083091880368855]
  Canonical Polyadic (CP)ベースのテンソルネットワークモデルは動的データの予測に効率的であることが証明されている。 現在のCPベースのテンソルネットワークモデルは、低次元の潜在特徴空間におけるユーザとサービスの相関を考慮していない。 本稿では,予測精度を向上させるために,拡張ポリエイドネットワーク(ECTN)モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T05:56:35Z)
• Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
  モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。 本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T09:13:11Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• \b{eta}-Divergence-Based Latent Factorization of Tensors model for QoS prediction [2.744577504320494]
  テンソル(NLFT)モデルの非負の潜在因子化は、サービス品質(QoS)データに隠された時間パターンをうまくモデル化することができる。 既存のNLFTモデルの目的関数はユークリッド距離に基づいている。 本稿では,ベータ分割に基づくNLFTモデル(Beta-NLFT)を提案する。
  論文  参考訳（メタデータ） (2022-08-14T05:14:50Z)
• 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。