用于预测与在线无线边缘缓存的低复杂度秩高效张量补全
信息论
2022-03-01 v3 性能
math.IT
摘要
无线边缘缓存是下一代网络中避免回程拥塞的一种流行策略，其中内容被预先缓存在基站处以在高峰拥塞时段服务冗余请求。在边缘缓存数据中，由于动态选择性流行度，缺失观测不可避免。在各类补全方法中，基于张量的模型已被证明对缺失数据插补最为有利。此外，由于观测值在时间、文件和基站间相关，本文将带推荐的协作缓存建模为一个四阶张量补全与预测问题。由于内容库可能很大导致张量维度高，我们改进了基于潜在范数的 Frank-Wolfe (FW) 算法，采用多秩更新而非文献中的秩-1更新，以大幅降低时间复杂度。这一显著降低的时间计算开销促成了一种在线缓存算法的开发。在 MovieLens 数据集上的仿真表明，与近期 FW 算法相比，所提算法重构误差更低，且计算开销更小。还证明了补全张量提升了线性预测方案的归一化缓存命中率。
引用
@article{arxiv.2101.12146,
title = {Low-complexity Rank-Efficient Tensor Completion For Prediction And Online Wireless Edge Caching},
author = {Navneet Garg and Tharmalingam Ratnarajah},
journal= {arXiv preprint arXiv:2101.12146},
year = {2022}
}