論文の概要: Learning Compression Rules for Network Traffic

• arxiv url: http://arxiv.org/abs/2608.04545v1
• Date: Wed, 05 Aug 2026 07:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.771014
• Title: Learning Compression Rules for Network Traffic
• Title（参考訳）: ネットワークトラフィックに対する圧縮規則の学習
• Authors: Quentin Lampin, Éloi Sainte-Beuve, Louis-Adrien Dufrène, Guillaume Larue, Massih-Reza Amini,
• Abstract要約: 構造化ネットワークトラフィックのためのコンパクトなルールベース圧縮機を学習する問題について検討する。 本稿では,適応型コンプレストのためのロバスト・エントロピー・クラスタリング法 (RECAP) を提案する。
• 参考スコア（独自算出の注目度）: 3.5949776002663643
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the problem of learning compact rule-based compressors for structured network traffic. Each packet is a record of header fields that are highly redundant within a flow, and a compressor is a small set of rules matching such records and replacing predictable fields with short codes. We cast rule learning as a two-stage problem: (i) an unsupervised structure-discovery stage that recursively partitions training packets using a normalized entropy-ratio criterion robust to small samples, and (ii) a constrained selection stage that uses dynamic programming to pick the rule subset maximizing expected compression gain under a hard budget on the number of installable rules. We instantiate the framework on Static Context Header Compression (SCHC), the IETF standard for rule-based header compression in constrained networks, and evaluate it on four real-world Internet-of-Things and 5G core-network datasets. Our method, Robust Entropy Clustering for Adaptive comPression (RECAP), surpasses expert-engineered rule sets with a small number of learned rules and removes the need for manual rule design.
• Abstract（参考訳）: 構造化ネットワークトラフィックのためのコンパクトなルールベース圧縮機を学習する問題について検討する。 各パケットはフロー内で非常に冗長なヘッダフィールドの記録であり、圧縮器はそのようなレコードにマッチし、予測可能なフィールドを短いコードで置き換える小さなルールセットである。 我々はルール学習を2段階の問題とみなした。 一 小型サンプルに頑健な正規化エントロピー比規準を用いて訓練パケットを再帰的に分割する非監督構造発見段階 (II) 動的プログラミングを用いて予測圧縮ゲインを最大化するルールサブセットを選択する制約付き選択ステージ。 制約付きネットワークにおける規則ベースのヘッダ圧縮のためのIETF標準である静的コンテキストヘッダ圧縮(SCHC)のフレームワークをインスタンス化し、実世界の4つのInternet-of-Thingsと5Gコアネットワークデータセットで評価する。 本手法は,適応型コンプレストのためのロバスト・エントロピー・クラスタリング(RECAP)であり,少数の学習ルールで専門家が設計したルールセットを超越し,手動のルール設計の必要性を排除している。

関連論文リスト

• Prompt Generation Technical Report [31.708685939233806]
  生成的検索は、産業検索、レコメンデーション、広告システムのパラダイムとしてますます採用され、オンライン上で大きな利益をもたらしている。 実際には、機能エンジニアリングは効果をモデル化する上で重要だが、その複雑さによりオフラインのイテレーションが遅くなり、オンラインデプロイメントが重く再利用が困難になる。 本稿では、モデルアーキテクチャから2つの構成ファイルを通して特徴処理ロジックを分離するフレームワークであるPrompt Generationを紹介する。
  論文  参考訳（メタデータ） (2026-07-13T09:46:14Z)
• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• HIPO: Instruction Hierarchy via Constrained Reinforcement Learning [57.40686733111483]
  textscHIPOは、制約付きマルコフ決定プロセスとしてHIFを定式化する新しいアライメントフレームワークである。 textscHIPOはシステムプロンプトを単に入力コンテキストから厳密なアルゴリズム境界まで高める。
  論文  参考訳（メタデータ） (2026-03-17T06:12:41Z)
• Structured Output Regularization: a framework for few-shot transfer learning [0.0]
  従来のトランスファーラーニングは、重みのいくつかを凍結し、タスク固有のレイヤーを追加することで、トレーニング済みの大きなネットワークを再利用する。 本稿では,内部ネットワーク構造を凍結するシンプルかつ効果的なフレームワークであるStructured Output Regularization (SOR)を提案する。 このフレームワークは、モデルを最小限の追加パラメータで特定のデータに調整し、様々なネットワークコンポーネントに容易に適用できる。
  論文  参考訳（メタデータ） (2025-10-09T18:34:22Z)
• Communication Compression for Distributed Learning without Control Variates [43.69787537805927]
  本稿では,過去の集約更新を利用して圧縮可能なクライアントを実現する分散アルゴリズムを提案する。 実験結果から,CAFeは既存の分散圧縮学習方式よりも優れていたことが確認された。
  論文  参考訳（メタデータ） (2024-12-05T18:46:20Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• Symbolic Distillation for Learned TCP Congestion Control [70.27367981153299]
  TCP渋滞制御は、深層強化学習(RL)アプローチで大きな成功を収めた。 ブラックボックスポリシーは解釈可能性と信頼性に欠けており、しばしば従来のTCPデータパスの外で運用する必要がある。 本稿では,まず深部RLエージェントを訓練し,次にNNポリシーをホワイトボックスの軽量なルールに蒸留する,両世界の長所を達成するための新しい2段階のソリューションを提案する。
  論文  参考訳（メタデータ） (2022-10-24T00:58:16Z)
• The Sample Complexity of One-Hidden-Layer Neural Networks [57.6421258363243]
  本研究では,スカラー値を持つ一層ネットワークのクラスとユークリッドノルムで有界な入力について検討する。 隠蔽層重み行列のスペクトルノルムの制御は、一様収束を保証するには不十分であることを示す。 スペクトルノルム制御が十分であることを示す2つの重要な設定を解析する。
  論文  参考訳（メタデータ） (2022-02-13T07:12:02Z)
• PowerGossip: Practical Low-Rank Communication Compression in Decentralized Deep Learning [62.440827696638664]
  本稿では,近隣労働者間のモデル差を直接圧縮する簡単なアルゴリズムを提案する。 中央集権的なディープラーニングのためにPowerSGDにインスパイアされたこのアルゴリズムは、パワーステップを使用して、1ビットあたりの転送情報を最大化する。
  論文  参考訳（メタデータ） (2020-08-04T09:14:52Z)
• Building Rule Hierarchies for Efficient Logical Rule Learning from Knowledge Graphs [20.251630903853016]
  本稿では,ルール階層を用いて非プロミッシングルールを抽出する新しい手法を提案する。 HPMの応用は非プロムルールの除去に有効であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T16:33:30Z)
• Towards Learning Instantiated Logical Rules from Knowledge Graphs [20.251630903853016]
  本稿では,知識グラフから一階述語論理規則を抽出するために最適化された確率論的学習ルールGPFLを提案する。 GPFLは、抽出された経路を非循環的な抽象規則であるテンプレートに一般化する新しい2段階ルール生成機構を利用する。 オーバーフィッティングルールの存在、予測性能への影響、およびオーバーフィッティングルールをフィルタリングする単純なバリデーション手法の有効性を明らかにする。
  論文  参考訳（メタデータ） (2020-03-13T00:32:46Z)

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。