이 연구는 네트워크 장애 상황에서 트래픽 예측 문제를 다룬다. 네트워크 장애 발생 시 트래픽 패턴이 급격히 변화하는 개념 drift 현상이 발생하며, 이는 기존에 학습된 기계학습 모델의 성능 저하를 초래한다.
이를 해결하기 위해 두 가지 접근법을 제안한다:
실험 결과, 개념 drift가 심한 경우 액체 신경망 기반 접근법이 점진적 학습 기법보다 우수한 성능을 보였다. 반면 개념 drift가 moderate한 경우에는 점진적 학습 기법이 더 나은 성과를 나타냈다. 이를 통해 상황에 따라 적절한 접근법을 선택하는 것이 중요함을 확인할 수 있다.
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies