本研究では、ネットワーク障害によって引き起こされるトラフィックパターンの急激な変化(概念ドリフト)に適応するための手法を提案している。
具体的には以下の通り:
従来のインクリメンタル学習ベースの手法は、新しいデータを用いて定期的に再学習を行うが、再学習までの遅延によって予測精度が低下する問題がある。
提案手法は、液体ニューラルネットワーク(LNN)を用いた適応学習アプローチを採用する。LNNは再学習を必要とせずに、新しいデータパターンに自己適応できる特徴を持つ。
シミュレーション実験の結果、提案手法は概念ドリフトが大きい場合に従来手法よりも優れた予測性能を示すことが分かった。一方で、概念ドリフトが小さい場合は、適切な再学習間隔を設定したインクリメンタル学習ベースの手法の方が優れていることが示された。
本研究の成果は、ネットワーク障害時のトラフィック予測において、適応学習アプローチの有効性を明らかにしたものである。ネットワーク管理者は、状況に応じて適応学習やインクリメンタル学習を使い分けることで、より効果的なトラフィック予測を実現できる。
إلى لغة أخرى
من محتوى المصدر
arxiv.org
استفسارات أعمق