面向QoS预测的概率深度监督特征噪声鲁棒方法
软件工程
2024-11-11 v3 分布式、并行与集群计算
信息检索
机器学习
摘要
准确的服务质量(QoS)预测对于提升网络推荐系统中的用户满意度至关重要，然而现有预测模型往往忽视特征噪声，主要聚焦于标签噪声。本文提出概率深度监督网络(PDS-Net)，一种旨在有效识别并缓解特征噪声从而提升QoS预测精度的鲁棒框架。PDS-Net采用双分支架构：主分支利用解码器网络从已知特征中学习基于高斯分布的先验分布，而第二分支基于真实标签推导后验分布。PDS-Net的一项关键创新是其基于条件的噪声识别损失函数，能够精确识别对象(用户或服务)中的噪声特征。一旦识别出噪声特征，PDS-Net便细化该特征的先验分布，使其与后验分布对齐，并将此调整后的分布传播至中间层，有效降低噪声干扰。在两个真实世界QoS数据集上的大量实验表明，PDS-Net持续优于现有模型，在数据集D1上相较最先进方法平均MAE提升8.91%，在数据集D2上提升8.32%。这些结果凸显了PDS-Net准确捕捉复杂用户-服务关系并处理特征噪声的能力，印证了其在多样QoS预测环境中的鲁棒性与通用性。
引用
@article{arxiv.2308.02580,
title = {Feature Noise Resilient for QoS Prediction with Probabilistic Deep Supervision},
author = {Ziliang Wang and Xiaohong Zhang and Ze Shi Li and Sheng Huang and Meng Yan},
journal= {arXiv preprint arXiv:2308.02580},
year = {2024}
}