双重潜状态学习：利用区域网络相似性进行 QoS 预测
机器学习
2024-11-11 v3
摘要
特定区域内的个体对象（无论是用户还是服务）通常因其源自同一城市或自治系统（AS）而表现出相似的网络状态。尽管存在这种区域网络相似性，许多现有技术忽视了其潜力，导致因数据稀疏和标签不平衡等挑战而性能不佳。本文中，我们提出基于区域的双重潜状态学习网络（R2SL），一种新颖的深度学习框架，旨在克服传统基于个体对象的 QoS（服务质量）预测技术的缺陷。与先前方法不同，R2SL 通过导出两种不同的区域网络潜状态——城市网络潜状态和 AS 网络潜状态——来捕捉区域网络行为的细微差异。这些状态是利用来自共同区域的聚合数据而非个体对象数据构建的。此外，R2SL 采用增强的 Huber 损失函数，调整其线性损失分量，以缓解普遍存在的标签不平衡问题。在预测过程的最后，利用多尺度感知网络来解读融合后的特征图（区域网络潜特征与其他相关信息的融合），最终完成 QoS 预测。通过在真实世界 QoS 数据集上的严格测试，R2SL 展现出优于当前主流最先进方法的性能。我们的 R2SL 方法通过充分挖掘对象固有的区域网络相似性，为精准 QoS 预测开辟了创新途径。
引用
@article{arxiv.2310.05988,
title = {Dual Latent State Learning: Exploiting Regional Network Similarities for QoS Prediction},
author = {Ziliang Wang and Xiaohong Zhang and Kechi Zhang and Ze Shi Li and Meng Yan},
journal= {arXiv preprint arXiv:2310.05988},
year = {2024}
}