CLSA：面向 MEC 网络流行度预测的基于对比学习的生存分析
机器学习
2023-03-23 v1 人工智能
信号处理
摘要
集成深度神经网络（DNNs）的移动边缘缓存（MEC）是一项具有未来无线世代显著潜力的创新技术，可大幅降低用户时延。然而，MEC 网络的有效性严重依赖于其预测并以最热门内容动态更新缓存节点存储的能力。为奏效，基于 DNN 的流行度预测模型需能理解内容的历史请求模式，包括其时空相关性。现有最先进的时序 DNN 模型通过同时将多内容的顺序请求模式输入网络来捕捉后者，相当增大了输入样本规模。这促使我们提出一种基于对比输入样本彼此的 DNN 流行度预测框架，专为无人机（UAV）辅助的 MEC 网络设计以应对该挑战。所提架构称为基于对比学习的生存分析（CLSA），由一个自监督对比学习（CL）模型组成，其中顺序请求的时序信息使用长短期记忆（LSTM）网络作为 CL 架构的编码器学习。随后经生存分析（SA）网络，所提 CLSA 架构的输出为各内容未来流行度的概率，继而按降序排列以识别 Top-K 热门内容。基于仿真结果，所提 CLSA 架构在分类准确率与缓存命中率上均优于同类方法。
引用
@article{arxiv.2303.12097,
title = {CLSA: Contrastive Learning-based Survival Analysis for Popularity Prediction in MEC Networks},
author = {Zohreh Hajiakhondi-Meybodi and Arash Mohammadi and Jamshid Abouei and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2303.12097},
year = {2023}
}