論文の概要: A Novel Approach to Temporal QoS Estimation via Extended Kalman Filter-Incorporated Latent Feature Analysis
- arxiv url: http://arxiv.org/abs/2606.23010v1
- Date: Mon, 22 Jun 2026 08:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 02:52:11.428622
- Title: A Novel Approach to Temporal QoS Estimation via Extended Kalman Filter-Incorporated Latent Feature Analysis
- Title（参考訳）: 拡張カルマンフィルタ内蔵潜在特徴解析による時間QoS推定の新しい手法
- Authors: Ye Yuan, Song Wang, Hongxun Zhou, Ling Wang, Xin Luo,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.92363732107246
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting temporal Quality of Service (QoS) data is critical for optimizing network services and rationalizing resource allocation in cloud computing and service-oriented systems. Existing mainstream methods have achieved promising predictive performance. However, their purely data-driven manner limits their ability to capture non-stationary temporal patterns, thereby leading to accuracy degradation when temporal QoS data exhibits fluctuations. To tackle this limitation, we propose a novel Extended Kalman Filter-Enhanced Latent Feature Analysis (EKL) model to perform efficient and accurate temporal QoS prediction from the perspective of bidirectional model-data-driven learning. Its main idea is three-fold: a) designing a model-driven feature producer to obtain the temporal latent features to capture the intricate temporal pattern following the principle of an Extended Kalman Filter; b) building a data-driven feature producer based on the alternating least squares algorithm to identify time-invariant latent features describing intrinsic user-service characteristics; c) exploiting a density-oriented parallel strategy that achieves workload balancing by sorting users in accordance with their service invocation density, which effectively elevates computational efficiency. In addition, we provide a rigorous theoretical analysis to formally prove the convergence of the proposed EKL. Experimental evaluations conducted on real-world temporal QoS datasets reveal that our proposed EKL surpasses existing state-of-the-art models with respect to both computational efficiency and prediction accuracy for missing temporal QoS data.
- Abstract（参考訳）: QoS(Predicting temporal Quality of Service)データの予測は、ネットワークサービスの最適化と、クラウドコンピューティングとサービス指向システムにおけるリソース割り当ての合理化に不可欠である。
既存の主流の手法は有望な予測性能を達成した。
しかし、その純粋にデータ駆動方式は、非定常時間パターンをキャプチャする能力を制限するため、時間的QoSデータが変動を示すと精度が低下する。
この制限に対処するために、双方向モデルデータ駆動学習の観点から、効率的かつ正確な時間的QoS予測を行うための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。
主な考え方は次の3つである。
a) 拡張カルマンフィルタの原理に従う複雑な時間的パターンを捉えるために、時間的潜時的特徴を得るためのモデル駆動型特徴生成器を設計すること
b) 本質的なユーザサービス特性を記述した時間不変の潜時特徴を特定するために、最小二乗法に基づくデータ駆動型特徴生成装置を構築すること。
c) サービス呼び出し密度に応じてユーザをソートすることで、負荷分散を実現する密度指向の並列戦略を活用することにより、計算効率を効果的に向上させる。
さらに、提案したEKLの収束を正式に証明するための厳密な理論解析を提供する。
実世界の時間的QoSデータセットで行った実験結果から,提案したEKLは,時間的QoS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ることがわかった。
関連論文リスト
- Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - A Biased Nonnegative Block Term Tensor Decomposition Model for Dynamic QoS Prediction [4.308228155982687]
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。
論文 参考訳（メタデータ） (2026-05-06T12:03:34Z) - Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。
ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。
このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
論文 参考訳（メタデータ） (2025-04-30T06:19:37Z) - 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) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
時間的に一貫したクープマンオートエンコーダ(tcKAE)を導入する。
tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。
我々は、様々なテストケースにおいて、最先端のKAEモデルよりもtcKAEの優れた性能を実証的に示す。
論文 参考訳（メタデータ） (2024-03-19T00:48:25Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。