Decoupling Location and Preference: A Dual-Branch Architecture for Robust QoS Prediction Under Extreme Sparsity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quality of Service (QoS) prediction faces challenges from location-dependent variability and sparse user-service interactions. Existing methods often struggle to integrate location information (e.g., using fixed weights for spatial attributes) or learn representative features from sparse matrices. This paper proposes a method for Decoupling Location and Preference via a dual-branch architecture for robust QoS prediction under extreme sparsity, called DLP. It integrates location and preference features to address the challenges of sparsity and contextual variability. Unlike conventional single-stream or simple concatenation methods, DLP features a novel dual-branch architecture that decouples heterogeneous features and specializes in processing them: Location context and user-service preferences. The first branch, a location feature extraction network, processes user and service geographical and network information. It utilizes an attention mechanism to dynamically weight spatial attributes (instead of fixed weights) based on their actual impact on QoS and selects the most salient co-location features to model spatial interactions. The second branch, a preference feature extraction network, constructs high-dimensional feature representations from similarity-based user-service vectors derived from the sparse QoS matrix. It employs a multi-layer feature extraction block that hierarchically aggregates intermediate features to compensate for information loss during transformation, thereby capturing richer user/service preferences. Finally, a feature fusion prediction network integrates the learned location and preference features to generate accurate QoS predictions. Ablation studies and analysis validate that each component contributes significantly to performance gains. Extensive experiments on the WS-DREAM dataset show that DLP outperforms 22 baselines across 2.5%–20% sparsity, excelling in throughput prediction (achieving reductions up to 9.07% in Mean Absolute Error and 28.86% in Root Mean Squared Error at 2.5% sparsity) and validating its superior QoS prediction accuracy.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle