面向动态通信网络的自适应潜在张量分解模型
机器学习
2024-08-30 v1 信号处理
摘要
动态通信网络(DCN)描述了各种通信节点之间随时间的相互作用，广泛用于大数据应用中作为数据源。随着通信节点的数量增加和时间槽的累积，每个节点在给定时间槽中仅与少数节点进行交互，DCN 可以表示为高维稀疏(HDS)张量。为了从 HDS 张量中提取丰富的行为模式，本文提出了自适应时域依赖张量低秩表示(ATT)模型。它采用三层方法:a)设计时域依赖方法来重构时序特征矩阵，从而通过捕获时序模式精确地表示数据;b)通过差分进化算法(DEA)实现模型的超参数适应，以避免繁琐的超参数调优;c)采用非负学习方案处理模型参数，以有效处理 HDS 数据固有的非负性。在四个真实 DCN 的实验结果表明，所提出的 ATT 模型在预测误差和收敛轮数方面显著优于多个最先进的模型。
引用
@article{arxiv.2408.16573,
title = {An Adaptive Latent Factorization of Tensors Model for Embedding Dynamic Communication Network},
author = {Xin Liao and Qicong Hu and Peng Tang},
journal= {arXiv preprint arXiv:2408.16573},
year = {2024}
}
备注
10 pages, 2 figures