一种用于 QoS 预测的融合 ADMM 的张量潜在因子分解方法
机器学习
2022-12-06 v1
摘要
随着互联网的快速发展，从大量候选者中选择合适的 Web 服务十分重要。服务质量（QoS）针对服务消费者所请求的服务动态描述 Web 服务的性能。此外，张量潜在因子分解（LFT）对于发现高维稀疏（HiDS）张量中的时间模式非常有效。然而，当前的 LFT 模型收敛速度慢，且很少考虑离群值的影响。为解决上述问题，本文提出一种基于交替方向乘子法（ADMM）的离群鲁棒非负张量潜在因子分解模型。我们通过用 ADMM 优化框架构造增广拉格朗日函数来保持模型的非负性。此外，采用柯西函数作为度量函数以降低对模型训练的影响。在两个动态 QoS 数据集上的实证工作表明，所提方法具有更快的收敛速度和更好的预测精度性能。
引用
@article{arxiv.2212.01606,
title = {An ADMM-Incorporated Latent Factorization of Tensors Method for QoS Prediction},
author = {Jiajia Mi and Hao Wu},
journal= {arXiv preprint arXiv:2212.01606},
year = {2022}
}