Modelo de factor latente adaptativo mejorado por núcleo para una predicción de QoS altamente precisa

Área de la Ciencia:

• Sistemas distribuidos y computación en la nube
• Aprendizaje automático e inteligencia artificial
• Minería de datos y computación de servicios

Sus antecedentes:

• La predicción precisa de la calidad de servicio (QoS) es vital para la recomendación y selección de servicios en sistemas distribuidos.
• Los modelos tradicionales de factores latentes (LF), aunque escalables, a menudo no logran capturar interacciones complejas y dependen de la regularización manual, lo que limita la precisión de la predicción.

Objetivo del estudio:

• Proponer un novedoso modelo Adaptative Core-Enhanced Latent Factor (ACELF) para una predicción de QoS superior.
• Mejorar la expresividad y robustez de los modelos LF para capturar interacciones intrincadas entre usuarios y servicios.

Principales métodos:

• Desarrolló una matriz de interacción central aprendible para modelar las interacciones de factores latentes de usuarios y servicios más allá de las suposiciones bilineales estándar.
• Integró una estrategia de regularización adaptativa incremental impulsada por Proporcional-Integral-Derivativo (PID) para ajustar dinámicamente los coeficientes durante el entrenamiento.
• Implementó un proceso de optimización dinámico para equilibrar la expresividad del modelo y prevenir el sobreajuste.

Principales resultados:

• El modelo ACELF demostró mejoras constantes en el rendimiento sobre los métodos de vanguardia en conjuntos de datos de QoS del mundo real.
• La estrategia de regularización adaptativa gestionó eficazmente el equilibrio entre la complejidad del modelo y la generalización.
• La matriz de interacción central aprendible capturó representaciones latentes más ricas, mejorando la precisión de la predicción.

Conclusiones:

• El modelo ACELF propuesto ofrece un avance significativo en la precisión de la predicción de QoS para la recomendación de servicios.
• La regularización adaptativa y las matrices de interacción aprendibles son estrategias efectivas para superar las limitaciones de los modelos LF tradicionales.
• ACELF proporciona una solución más robusta y precisa para entornos distribuidos a gran escala.