- Zeitkontinuierliches Graph-Lernen zur Vorhersage der Kaskadenpopularität (arXiv)
Autor: Xiaodong Lu, Shuo Ji, Le Yu, Leilei Sun, Bowen Du, Tongyu Zhu
Zusammenfassung: Die Informationsverbreitung in sozialen Netzwerken könnte als Kaskaden modelliert werden, und es wurden viele Anstrengungen unternommen, um die zukünftige Popularität von Kaskaden vorherzusagen. Die meisten vorhandenen Forschungsarbeiten behandeln eine Kaskade jedoch als eine einzelne Sequenz. Tatsächlich könnten die Kaskaden aufgrund der gemeinsamen Benutzer oder ähnlicher Themen miteinander korreliert sein. Darüber hinaus entwickeln sich die Präferenzen der Benutzer und die Semantik einer Kaskade im Laufe der Zeit normalerweise kontinuierlich weiter. In diesem Artikel schlagen wir eine zeitkontinuierliche Graph-Lernmethode für die Vorhersage der Kaskadenpopularität vor, die zunächst verschiedene Kaskaden über eine universelle Abfolge von Benutzer-Kaskaden- und Benutzer-Benutzer-Interaktionen verbindet und dann chronologisch anhand der Abfolge lernt, indem sie die dynamischen Zustände der Benutzer beibehält und Kaskaden. Konkret stellen wir für jede Interaktion ein Evolutions-Lernmodul vor, um die dynamischen Zustände der zugehörigen Benutzer kontinuierlich zu aktualisieren und basierend auf ihren aktuell codierten Nachrichten und früheren dynamischen Zuständen zu kaskadieren. Wir entwickeln außerdem eine Lernkomponente für die Kaskadendarstellung, um die von der Kaskade übertragenen zeitlichen und strukturellen Informationen einzubetten. Experimente mit realen Datensätzen zeigen die Überlegenheit und Rationalität unseres Ansatzes.
2.CLSA: Kontrastive lernbasierte Überlebensanalyse zur Popularitätsvorhersage in MEC-Netzwerken (arXiv)
Autor: Zohreh Hajiakhondi-Meybodi, Arash Mohammadi, Jamshid Abouei, Konstantinos N. Plataniotis
Zusammenfassung: Cellular Edge Caching (MEC), integriert mit Deep Neural Networks (DNNs), ist eine modern Technologie mit erheblichem Potenzial für die zukünftige Technology drahtloser Netzwerke, die zu einer erheblichen Reduzierung der Latenz der Benutzer führt. Die Wirksamkeit des MEC-Netzwerks hängt jedoch stark von seiner Fähigkeit ab, den Speicher von Caching-Knoten mit den beliebtesten Inhalten vorherzusagen und dynamisch zu aktualisieren. Um effektiv zu sein, muss ein DNN-basiertes Beliebtheitsvorhersagemodell in der Lage sein, die historischen Anforderungsmuster von Inhalten einschließlich ihrer zeitlichen und räumlichen Korrelationen zu verstehen. Bestehende hochmoderne Zeitreihen-DNN-Modelle erfassen Letzteres, indem sie gleichzeitig die sequentiellen Anforderungsmuster mehrerer Inhalte in das Netzwerk eingeben, wodurch sich die Größe der Eingabestichprobe erheblich erhöht. Dies motiviert uns, diese Herausforderung anzugehen, indem wir ein DNN-basiertes Beliebtheitsvorhersage-Framework vorschlagen, das auf der Idee basiert, Eingabeproben miteinander zu vergleichen und für die von unbemannten Luftfahrzeugen (UAV) unterstützten MEC-Netzwerke entwickelt zu werden. Die vorgeschlagene Architektur wird als Contrastive Studying-based Survival Evaluation (CLSA) bezeichnet und besteht aus einem selbstüberwachten Contrastive Studying (CL)-Modell, bei dem die zeitlichen Informationen sequentieller Anfragen mithilfe eines Lengthy Quick Time period Reminiscence (LSTM)-Netzwerks gelernt werden der Encoder der CL-Architektur. Gefolgt von einem Survival Evaluation (SA)-Netzwerk sind die Ergebnisse der vorgeschlagenen CLSA-Architektur Wahrscheinlichkeiten für die zukünftige Popularität jedes Inhalts, die dann in absteigender Reihenfolge sortiert werden, um die Prime-Ok-populären Inhalte zu identifizieren. Basierend auf den Simulationsergebnissen übertrifft die vorgeschlagene CLSA-Architektur ihre Gegenstücke in Bezug auf Klassifizierungsgenauigkeit und Cache-Trefferquote
