Feb, 2023

云计算中的不确定性意识工作负载预测

PDF
TL;DR本文使用贝叶斯深度学习模型预测未来云计算资源需求的分布和不确定性，并通过多组数据集进行不同的预训练和微调，比较单变量和双变量模型的精确度和对 QoS 的影响，并检验了模型的迁移学习能力和在真实环境中的可部署性。
cloud computingbayesian deep learning modelsresource demand predictiontransfer learningqos
发现论文，激发创造
  • 基于蓄水池计算的概率负荷预测

    应用深度学习量化不确定性是实现电网管理中精确可靠的时间序列预测的关键，本研究探索并比较了在水库计算中采用的贝叶斯和确定性方法对预测准确性、计算资源效率和估计不确定性可靠性的影响。

    Aug, 2023

  • 评估数据集偏移下模型预测不确定性的可信度

    以大量分类问题为基础，对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估，发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。

    Jun, 2019

  • Uber 时间序列的深度与可信预测

    本文提出了一种新颖的端到端的贝叶斯深度模型，用于提供时间序列预测和不确定性估计，并成功地应用于 Uber 的大规模时间序列异常检测。

    Sep, 2017

  • 探索自然语言处理中的预测不确定性和校准：对方法和数据稀缺性影响的研究

    研究在从低资源语言中采样的数据集上训练模型的情况下，通过多种方法评估和分析神经分类器的预测置信度，发现尽管使用预训练模型和集成模型可以获得最佳结果，但数据集规模增大时不确定性估计的质量可能会受到影响。对序列不确定性进行了定性分析，发现模型的总不确定性在很大程度上受到数据不确定性的影响，并提供了开源的软件包。

    Oct, 2022

  • 两个世界中的最佳选择：在未知到达模型下的在线资源分配与预测

    给定未知质量的预测作为输入，我们提出了一种算法，在未知预测质量和请求模型的情况下，在在线资源分配问题中实现了渐进最优表现，验证了算法的性能与任何已知到达模型和预测准确性的算法的最佳性能相匹配。

    Feb, 2024

  • 机器学习中的不确定性估计

    本文研究基于统计学习理论的机器学习方法中的不确定性问题，并深入探讨了在回归分析中评估模型系数和输出特征值预测中的不确定度。另外，针对机器学习中的模型复杂度和严重非线性等问题提出解决方案，并指出决策制定时需要对机器学习模型和预测进行不确定性评估、风险评估的需求，并提供使用非参数技术解决不确定性问题的方法及最新的超级计算机设备供进行高强度计算。

    Jun, 2022

  • 基于贝叶斯神经网络的多变量回归材料性质预测的不确定性量化

    使用物理知识指导的贝叶斯神经网络（BNNs）进行材料预测，可实现准确的失效寿命预测和不确定性估计，提供决策依据。

    Nov, 2023

  • 具有不确定性量化预测的在线算法

    如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

    Oct, 2023

  • 短期电力需求的任意分位数概率预测

    该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

    Apr, 2024

  • 不完整数据下的不确定性感知交通预测

    通过建立一个不确定性感知框架，本研究提出了一种能够推广预测至无历史记录的缺失位置、显著扩展预测位置的空间覆盖程度以及减少传感器部署数量的方法，并生成包含不确定性量化的概率预测，以助于风险管理和决策制定。通过对真实数据集的广泛实验，结果表明我们的方法在预测任务上取得了有希望的结果，并且不确定性量化结果与有和无历史数据的位置高度相关。我们还展示了我们的模型能够在交通领域的传感器部署任务中，以有限的传感器部署预算实现更高的准确性。

    Sep, 2023