Optimized Quality of Service prediction in FSO Links over South Africa using Ensemble Learning
원문 초록
Fibre optic communication system is expected to increase exponentially in terms of application due to the numerous advantages over copper wires. The optical network evolution presents several advantages such as over long-distance, low-power requirement, higher carrying capacity and high bandwidth among others Such network bandwidth surpasses methods of transmission that include copper cables and microwaves. Despite these benefits, free-space optical communications are severely impacted by harsh weather situations like mist, precipitation, blizzard, fume, soil, and drizzle debris in the atmosphere, all of which have an impact on the Quality of Service (QoS) rendered by the systems. The primary goal of this article is to optimize the QoS using the ensemble learning models Random Forest, ADaBoost Regression, Stacking Regression, Gradient Boost Regression, and Multilayer Neural Network. To accomplish the stated goal, meteorological data, visibility, wind speed, and altitude were obtained from the South Africa Weather Services archive during a ten-year period (2010 to 2019) at four different locations: Polokwane, Kimberley, Bloemfontein, and George. We estimated the data rate, power received, fog-induced attenuation, bit error rate and power penalty using the collected and processed data. The RMSE and R-squared values of the model across all the study locations, Polokwane, Kimberley, Bloemfontein, and George, are 0.0073 and 0.9951, 0.0065 and 0.9998, 0.0060 and 0.9941, and 0.0032 and 0.9906, respectively. The result showed that using ensemble learning techniques in transmission modeling can significantly enhance service quality and meet customer service level agreements and ensemble method was successful in efficiently optimizing the signal to noise ratio, which in turn enhanced the QoS at the point of reception.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
가우시안 프로세스 분할을 갖는 트리의 디리클레 프로세스 혼합: 사후 수축률을 갖춘 베이지안 비모수 프레임워크
Dirichlet Process Mixtures of Trees with Gaussian Process Splits: A Bayesian Nonparametric Framework with Posterior Contraction Rate
우리는 트리-매개변수 쌍에 대해 디리클레 프로세스(Dirichlet process) 사전분포를 두는 회귀 트리의 베이지안 비모수 혼합 모델을 제안한다. 이 모델은 데이터 기반으로 앙상블 크기를 선택할 수 있게 하며, CART, BART, 랜덤 포레스트, 부스팅을 하나로 통합한다. 각 종단 노드 내 가우시안 프로세스(GP)의 사후 예측분포에 기반한 새로운 분할 규칙은 유연하고 매끄러운 결정 경계를 생성한다. 주목할 만하게도, GROW/PRUNE 이동에 대한 Metropolis–Hastings 비율에서 GP 밀도가 정확히 상쇄되어 계산적 실현 가능성이 보장된다. 사후 예측 추론을 위한 정확한 깁스 샘플러(Gibbs sampler)는 무작위 트리 순회를 통해 불확실성을 전파한다. 병렬 MPI 구현은 독립적인 트리 업데이트를 여러 프로세서에 분산하여 적정 수준의 속도 향상을 달성한다. 우리는 항등식 $h(\Theta)=0$을 통해, 참 회귀 함수의 연속성만을 가정하고 모형 오지정(misspecification)을 허용하면서 헬링거(Hellinger) 거리에서 $n^{-1/4}$ 속도의 사후 일치성을 증명한다. Friedman 벤치마크에서의 시뮬레이션은 거의 명목 수준에 가까운 커버리지(가우시안 0.94, 코시 0.92)를 보였으며, 고차원 노이즈와 두꺼운 꼬리 분포에도 강건했고 BART와 배깅된 CART보다 우수한 성능을 보였다. QSAR 독성, 범죄, 리보플라빈, 밀 유전체학, 대기질 데이터에 대한 적용은 신뢰할 수 있는 신용구간과 자동 희소성을 확인해 준다. 이 DP 혼합 모델은 정직한 불확실성 정량화를 갖춘 도전적인 회귀 문제에 대해 원리에 기반하고 강건하며 이론적으로 뒷받침되는 대안을 제공한다.
NPBoost: 그래디언트 부스팅 고정 효과를 갖는 Neural Process
NPBoost: Neural Processes with Gradient-Boosted Fixed Effects
Neural Process(NP)는 모델 기반 메타러너로, 확률적 과정(stochastic process)을 암묵적으로 학습하고 작은 컨텍스트 집합으로부터 새 과제에 적응한다. NP의 대부분 확장은 신경망 아키텍처 개선에 초점을 맞춘다. 우리는 대신 메타학습과 혼합효과(mixed-effects) 모델이 공유하는 계층적 해석에서 동기를 받은 확장을 개발한다. 구체적으로 Neural Process Boosting(NPBoost)을 제안하며, 구조화된 반응 변동성을 과제 간 공유되는 트리 부스팅 고정 효과와 과제 간 확률적 변동을 포착하는 NP 임의 효과로 분해한다. 부스팅 알고리즘으로 두 구성요소를 공동 학습하도록 하며, 이 과정에서 NP는 잔차적인 과제별 구조를 학습하고 트리 앙상블은 과제 간 공통 패턴을 추정한다. 합성 및 실제 표 형식(tabular) 메타학습 문제 전반에서, 공유 구조에 불연속성이나 부스팅된 트리가 효과적으로 표현할 수 있는 기타 불규칙 패턴이 있을 때 이 분해는 표준 NP보다 성능이 개선된다.
가상 조영증강 유방 MRI를 위한 병변-게이팅 하이브리드 합성: MAMA-SYNTH 챌린지 솔루션
Lesion-Gated Hybrid Synthesis for Virtual Contrast-Enhanced Breast MRI: A MAMA-SYNTH Challenge Solution
목적: 조영증강 유방 MRI는 정맥 내 가돌리늄 기반 조영제에 의존하며, 이는 조영 전(pre-contrast) 영상만으로 조영 후(post-contrast) 모습을 합성하는 방법에 대한 동기를 제공한다. MAMA-SYNTH 챌린지(MICCAI 2026 Deep-Breath 워크숍)는 이러한 합성을 영상 충실도(image fidelity), 종양 관심 영역(tumour region of interest), 다운스트림 분류, 다운스트림 분할(segmentation)의 네 가지 지표 그룹에 걸쳐 평가한다. 네 그룹의 순위는 평균화되므로, 단일 목적 함수를 최적화하는 것만으로는 충분하지 않다. 재료 및 방법: 우리는 병변-게이팅(lesion-gated) 하이브리드 합성 파이프라인을 개발했다. 조영 전 영상만을 사용하는 분할 네트워크 앙상블(ensemble)에 의해 조영 전 슬라이스만으로 추정된 병변 확률 지도는, 종양 중심 회귀(regression) 경로와 배경 중심 Pix2PixHD 합성 경로를 공간적으로 조율하며, 이후 예측된 조영증강에 대한 영역-의존적 보정이 이어진다. 학습(training)에는 환자 단위 분할을 적용한 공개 MAMA-MIA 데이터 수집을 사용했다. 추론(inference)은 단일 조영 전 2D 슬라이스만을 입력으로 사용하며, 마스크, 조영 후 영상, 영상 기하 정보 이외의 보조 메타데이터는 사용하지 않는다. 결과: 내부 검증(validation)(n = 120명의 환자)에서 이 방법은 MSE 0.523, LPIPS 0.185, 종양 영역 SSIM 0.495를 달성했다. 이 방법은 자체 완결형(self-contained) 추론 컨테이너 형태로 비공개 외부 300건 테스트 코호트에 제출되었다. 이 방법은 공식 MAMA-SYNTH 챌린지 리더보드에서 6위를 기록했다. 결론: 조영 전 영상으로부터 도출된, 테스트 시점에도 적용 가능한 병변 확률 지도는 상호 보완적인 종양 중심 회귀와 배경 중심 지각적 합성을 조율할 수 있으며, 이를 통해 다중 지표(multi-metric) 챌린지 환경에서 균형 잡힌 가상 조영증강을 가능하게 한다.
Verbalized Particle Posterior: 자연어 가설에 대한 베이지안 추론
Verbalized Particle Posterior: Bayesian Inference over Natural Language Hypotheses
언어화된 머신러닝(VML)은 LLM이 f(x; θ)로 평가하는 자연어 프롬프트로 모델을 매개변수화한다. 이 프레임워크는 해석 가능하지만, 불확실성에 대한 측도 없이 단일 가설에 고정되며, 동일한 데이터에 대한 최적화 실행마다 그 가설이 크게 달라진다. 우리는 언어화된 학습을 베이지안 추론 문제로 다루는 Verbalized Particle Posterior(VPP)를 제안한다. 자연어 가설의 집단을 입자로 유지하고, Metropolis-Hastings(VPP-MH) 또는 Sequential Monte Carlo(VPP-SMC)로 갱신하며, 베이지안 모델 평균화로 예측한다. 두 알고리즘 모두 LLM을 블랙박스로 취급하며, logits나 gradient에 접근할 필요가 없다. 독특한 결과가 뒤따른다. 고전적 베이지안 학습에서는 모델 선택이 사후분포 밖에 있지만, VPP에서는 모델 구조와 매개변수가 단일 언어 공간을 공유하며, 사후분포가 둘 다에 걸쳐 분포한다. 우리는 회귀, 분류, 규칙 발견 벤치마크에서 VPP를 평가한다. 모든 벤치마크에서 단일 VML 실행보다 개선되며, 대부분에서 독립적 VML 실행들의 오라클 최적 앙상블과 동등하거나 그를 초과하고, VML이 가끔 발생시키는 치명적인 단일 실행 실패를 제거한다. 각 입자가 사람이 읽을 수 있는 가설이므로, 사후분포 자체가 독자가 검사할 수 있는 대상이 되어, 데이터가 어떤 설명을 지지하고 어떤 것을 배제했는지 평문으로 확인할 수 있다.
희소하고 불규칙한 반응 궤적을 위한 종단 랜덤 포레스트
Longitudinal Random Forests for Sparse and Irregular Response Trajectories
종단 연구는 종종 희소하고 불규칙하며 시간 간격이 균등하지 않은 시점에서 데이터를 수집한다. 이러한 이질성은 종종 대상자별 공변량에 의해 유발되지만, 기존 방법들은 스칼라 종점 값으로 제한되어 있어 근본적인 반응 궤적을 완전히 간과해 왔다. 우리는 적응형 노드별 종단 궤적 추정을 갖춘 트리 기반 앙상블 기계학습을 활용하는 새로운 종단 랜덤 포레스트(Longitudinal Random Forest, LRF) 프레임워크를 제안한다. LRF 프레임워크는 다섯 가지 방법론적 기여를 한다. 각 대상자의 개별 반응 궤적을 포착하면서 동시에 노드 내 상관, 노드 간 이질성, 비선형 및 상호작용적 공변량 효과를 수용한다. 크기 가중 페널티를 반영하면서 궤적 분리를 극대화하는 새로운 궤적 기반 분할 기준을 도입한다. LRF-PACE(Principal Analysis by Conditional Expectation)와 LRF-adaptiveLMM(적응형 선형 혼합효과 모델)이라는 두 가지 변형을 제공하며, 각각 비모수적 및 준모수적 노드별 스무더를 사용하면서 공변량 효과를 데이터 기반 방식으로 학습한다. 고전적인 궤적 기반 순열 변수 중요도 측정(PVIM)과 새로 제안한 유한 차 상호작용 빈도 카운트를 모두 사용하여 공변량에 대한 포괄적 해석을 제공하며, 새로운 대상자에 대한 전체 궤적 예측뿐만 아니라 기존 대상자에 대한 미래 궤적 예측도 수행한다. 광범위한 시뮬레이션 연구를 통해 LRF가 심각한 희소성 하에서도 여러 경쟁 방법들보다 우수한 성능을 달성함을 보여준다. LRF 프레임워크의 실용적 의의는 다섯 가지 중요한 임상 질문에 답할 수 있는 능력에 있다.
멀티모달 시계열 데이터를 활용한 단고추 수확 준비 과실 수 예측
Forecasting the Number of Harvest-ready Fruits of Sweet Peppers Using Multimodal Time-Series Data
개체(식물) 수준에서의 정확한 수량 예측은 정밀 농업(precision agriculture)과 공급망 계획에 필수적이지만, 시각적 생육 동역학과 개체당 측정 라벨을 모두 포착하는 공개 데이터셋은 부족하다. 본 논문에서는 두 개의 재배 시즌에 걸쳐 모니터링한 691주의 단고추 식물에 대한 새로운 주석 이미지 시계열 데이터셋을 소개한다. 이 데이터셋은 성숙도별로 분류된 개체당 과실 수를 포함하는 4837장의 이미지로 구성된다. DinoV3 인코더로 추출한 고차원 이미지 특징과 수치적 개수 측정값을 융합하는 멀티모달 심층 학습 프레임워크를 제안한다. 우리 아키텍처는 장단기 기억(LSTM) 네트워크를 이용해 시간적 의존성을 모델링하며, 온실 모니터링에서 흔한 불규칙한 샘플링 간격을 처리한다. 정량 실험을 통해, 이 멀티모달 접근법이 2022년 및 2023년 시즌에서 각각 지속성(persistence) 기준선 대비 RMSE를 33% 및 38% 감소시킴을 보인다. 측정값 전용 모델 대비 평균 1.2%의 추가 이득도 있다. 또한 Deep Ensembles와 가우시안 음의 로그 가능도(Gaussian NLL)를 사용해 보정된 불확실성 추정치를 제공한다. 교차 시즌 평가 방향에 따라 불확실성 보정 오차(UCE)는 0.39에서 0.89 범위이며, 이는 실제 농업 의사결정을 위한 원칙적인 신뢰 신호를 제공한다. 데이터셋과 코드를 공개하여 재현 가능한 연구를 지원하고, 원예 작물에 대한 데이터 기반 수량 예측 방법의 개발을 가속화한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.