通过标签分解实现渐进监督：长期大规模无线流量预测方法
计算与语言
2025-02-19 v2 人工智能
机器学习
摘要
长期大规模无线流量预测（LL-WTF）对于战略网络管理和宏观规模的综合规划至关重要。然而，LL-WTF比短期预测更具挑战性，因为其扩展无线流量呈现明显非平稳性，且在城市规模分布大量节点。为应对这一问题，我们提出了基于标签分解的渐进监督方法（PSLD）。具体而言，我们首先引入随机子图采样（RSS）算法，用于从大规模流量数据中采样可管理的子集，从而实现高效的网络训练。随后，PSLD采用标签分解获取多个易学习的组成部分，这些组成部分在浅层逐层学习，然后在深层组合，以有效应对LL-WTF任务所引发的非平稳问题。最后，我们在三个大规模WT数据集上与各种最先进（SOTA）方法进行了比较。大量实验结果表明，所提出的PSLD在三个WT数据集上分别实现了平均2%、4%和11%的性能提升。此外，我们构建了一个用于WT预测的开源库（WTFlib），以促进相关研究，包含大量SOTA方法并提供强大的基准。实验可通过 https://github.com/Anoise/WTFlib 复现。
引用
@article{arxiv.2501.06254,
title = {Rethinking Evaluation of Sparse Autoencoders through the Representation of Polysemous Words},
author = {Gouki Minegishi and Hiroki Furuta and Yusuke Iwasawa and Yutaka Matsuo},
journal= {arXiv preprint arXiv:2501.06254},
year = {2025}
}
备注
Published at ICLR2025