Context-Aware Feature Selection using Denoising Auto-Encoder for Fault Detection in Cloud Environments
Notice bibliographique
Résumé
Machine learning is expected to play an instrumental role in automating the detection of faults in next-generation cloud networks. The existing machine-learning-based fault detection methods suffer from the following drawbacks: (i) ignoring the issue of missing feature values, (ii) ignoring the impact of each feature on output prediction over other features (measurement of feature importance), and (iii) lack of calculation of the proper number of features for fault detection. To address the above challenges, in this paper, we propose a context-aware feature selection method to improve the performance of fault detection methods in the cloud environment, aiming at maximizing the <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$F_{1}$</tex> -score. Our proposed solution comprises Denoising Auto-Encoder (DAE) stacked with a Discriminative Model (DM). The DAE is applied to handle the missing feature values and encoding features while the DM is responsible for making predictions of system status based on the encoded features. Then, the sensitivity analysis of output prediction with respect to each input feature value is used to measure the feature importance. We compare our work with existing solutions from the literature. Our results reveal that the proposed solution can improve the <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$F_{1}$</tex> -score up to 47 % and 76 % in the scenario where all feature values are known and in the scenario where only 25 % of feature values are known, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».