文献

J-GLOBAL ID：202002279296572949   整理番号：20A1864089

CUR分解を用いたインターネットトラフィック行列の圧縮センシング【JST・京大機械翻訳】

Compressive Sensing of Internet Traffic Matrices using CUR Decomposition

著者 (3件)： Kumar Awnish (Indian Institute of Technology, Guwahati, Assam) ,  Saradhi Vijaya V. (Indian Institute of Technology, Guwahati, Assam) ,  Venkatesh T. (Indian Institute of Technology, Guwahati, Assam)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICDCN ’18  ページ： 1-7  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： トラヒックマトリックス(TM)のミスッシング値は,TMが様々なネットワーク運用と管理タスクへの重要な入力であるので,最小誤差で補間する必要のあるよく知られた事実である。圧縮センシングは,TMs行列分解技術における低ランク構造の存在,より具体的に特異値分解(SVD),およびスパース性正則化行列因数分解(SRMF)およびスパース性正則化SVD(SRSVD)のようなそのバリアントを利用して,欠測観測の再構成を扱い,トラフィック行列の圧縮センシングの分野でかなりの注目を集めている。しかし,SVDは,連続ランダム変数の仮定と分解マトリックスの解釈可能性の欠如を含む,その仮定に2つの制限を被った。本研究では,上記の制約に対処するために,2つの重要成分,すなわち,時間的に局所補間(TLI)とii)CUR分解を有する,単純だが強力な圧縮センシングフレームワークを開発した。アビレンネットワークから得られた公的に利用可能な実際のトラヒック行列を利用した。結果は,i)著者らの前処理技術,TLIが,1%から98%の範囲の損失率を有する欠測値の再構成における最小誤差を示すという点で,既存のベースライン近似より優れていることを示した。ii)提案フレームワークは,29.8%の誤差で,純粋ランダム欠損データの98%まで再構成でき,それは,k-最近傍(KNN)で拡張されたとき,SVDベースの手法よりも比較的良く,提案フレームワークは,(SRMF+KNN)と(SRSVDB+KNN)よりも比較的良い,28.9%の誤差で,純粋なランダム欠損データの98%まで再構成できる。iv)提案フレームワークは,0.7秒未満の計算時間(3.20GHzWindowsマシンでMatlabを使用する)で計算的に効率的であり,これはSRMF(3.02秒),NMF(1.01秒),SRSVD(1.00秒),およびSRSVDベース(0.83秒)と比較して最小計算時間である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 前処理 ,  内挿法 ,  近似法 ,  再構成 ,  *正則化 ,  基準線 ,  特異値分解
準シソーラス用語： スパース性 ,  MATLAB ,  ランダム変数 ,  欠測値 ,  *ネットワークトラフィック ,  *圧縮センシング ,  行列分解 ,  行列因数分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： CUR分解 ,  圧縮センシング ,  時間補間 ,  交通マトリックス

分類 (3件)： 数値計算  (JE02000J) ,  医用画像処理  (JE04020T) ,  計算機網  (JC03000K)

タイトルに関連する用語 (4件)： 分解 ,  インターネットトラフィック ,  行列 ,  圧縮センシング