再读****(机器学习)Dynamic Mobile Edge Caching with Location Differentiation

Peng Yang∗, Ning Zhang†, Shan Zhang†, Li Yu∗, Junshan Zhang‡, and Xuemin (Sherman) Shen†
∗School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, China
†Department of Electrical and Computer Engineering, University of Waterloo, Waterloo, Canada
‡School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, Arizona, USA
Email: ∗{yangpeng, hustlyu}@hust.edu.cn, †{n35zhang, s372zhan, sshen}@uwaterloo.ca, ‡junshan.zhang@asu.edu


本文主要围绕机器学习中的岭回归。
Linear model是为了获取线性回归系数做准备;Location differentiated content caching algorithm即是获取回归系数;regret analysis即是回归的显著性检验

Online learning algorithm

Hit rate definition

The number of content Requests

Linear model

为下文中的机器学习做准备.png

Problem definition: max->min

问题最初
F*nt定义
long-term regret定义

因本文中的hit rate的定义为content Requests rather than rate。最优的文件缓存策略中文件被请求次数与正常情况下的文件请求次数相差越少越好。

问题最终形式

Location differentiated content caching algorithm

A. Predicting content hit rate

缓存需要考虑update,更新时间在本文中用文件f在n路侧单元第几次缓存表示。即:文件在路侧单元的缓存频率
historical feature vectors of file.png

。实际如何更新并未有明确解释。


机器学习优化.png

其中,
经验值的定义.png

显著性检验部分仍有看不懂。。。再说吧

霍夫丁不等式(此处理解并不系统,待后再补。。。)

  • 常见形式


    image.png

    N为样本容量。具体表示见下图。


    image.png

对于多个预测点:
抽样存在很多情况,难免出现Bad sample(Ein和Eout相差很大的sample)。霍夫丁不等式说明针对一个h出现bad sample的几率很小。但是当有很多个h时,bad data就很可能出现(如课件中抛硬币的例子),当bad sample的Ein又很小时,我们作出选择时就会worse情况。Bad sample也就是Bad Data。

image.png
image.png
image.png

含义: 给出二项分布均值偏离期望的概率上限(置信区间)

  • 一般形式

    image.png

    证明过程没看懂。。。霍夫丁不等式及其证明

  • 举例
    从罐子中抽样100个小球,其中70个绿色,30个橙色。绿球的比例抽样统计值v=70%,以ϵ=10%为衡量标准,不等式变为:

    P[|0.7-u|>0.1]<=2exp(-20.01100)=0.27

即:真实概率落在[0.6,0.8]区间内的概率为73%;有27%的概率,真实统计值与抽样统计值相差超过10%。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,928评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,192评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,468评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,186评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,295评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,374评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,403评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,186评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,610评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,906评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,075评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,755评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,393评论 3 320
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,079评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,313评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,934评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,963评论 2 351

推荐阅读更多精彩内容

  • 很久没有写东西了。 或者说其实以前写的东西敢发出来只是因为有个很好的朋友会经常写点东西你觉得很有意思然后你也想变得...
    好梦相填阅读 147评论 0 0
  • 你独自身穿灰色斗篷和帽子.独自站在冰天雪地的山巔之上,四周杳無人煙。右手举一灯,左手拄著长杖.愚人太過天真,拿权杖...
    Miss贝贝小姐阅读 195评论 0 0
  • 太阳落山 人和鸟都尽数归巢 唯独这光 残破地不肯离去 日即已归 这光便不再叫做阳光 那叫什么? 待定 未定 总之,...
    夏虫单阅读 222评论 0 1
  • 转载:blog.itpub.net/26435490/viewspace-1078212/ 一包的组成 包头(pa...
    forever_smile阅读 533评论 0 0
  • SIMPLY WINE|酒零候 葡萄酒订阅 2017年2月 订阅优势 ✦ 足不出户,品尝世界美酒 每月为您送上两款...
    SimplyWine阅读 467评论 0 0