基于杠杆采样与张量QR分解的网络时延估计张量补全方法
网络与互联网体系结构
2023-07-14 v1 机器学习
数值分析
数值分析
摘要
本文研究网络时延估计问题，该问题一直是网络性能的一项重要指标。然而，大规模网络时延估计需要大量计算时间。因此，我们提出一种速度更快且保持高精度的新方法。网络节点的数据结构可形成矩阵，通过引入时间维度可形成张量模型。从而，整个问题可归纳为张量补全问题。我们方法的主要思想是改进张量杠杆采样策略并将张量QR分解引入张量补全。为实现更快的张量杠杆采样，我们用张量CSVD-QR替代张量奇异值分解(t-SVD)来近似t-SVD。为实现不完备张量的更快补全，我们采用张量-范数而非传统的张量核范数。此外，我们将张量QR分解引入交替方向乘子法(ADMM)框架。数值实验表明，我们的方法比最先进算法更快且精度令人满意。
引用
@article{arxiv.2307.06848,
title = {Tensor Completion via Leverage Sampling and Tensor QR Decomposition for Network Latency Estimation},
author = {Jun Lei and Ji-Qian Zhao and Jing-Qi Wang and An-Bao Xu},
journal= {arXiv preprint arXiv:2307.06848},
year = {2023}
}
备注
20 pages, 7 figures