论文页面 - 面向流量矩阵预测的参数高效量子启发式快速权重编程器

来源：https://huggingface.co/papers/2606.27821

摘要

采用门控 QKAN-FWP 的量子启发式循环模型在流量矩阵预测中展现出优越的预测精度，同时相比传统 LSTM 网络降低了计算需求。

流量矩阵 (https://huggingface.co/papers?q=Traffic%20matrices) (TM) 捕捉全网始发-目的地需求，是流量工程的核心，然而当预测必须在在线网络控制的内存、更新和训练预算约束下进行时，实现准确的整矩阵预测仍然具有挑战性。本文探讨了紧凑型量子启发式循环模型 (https://huggingface.co/papers?q=quantum-inspired%20recurrent%20models) 能否在不依赖专用图、Transformer 或扩散模块的情况下提供有效的 TM 预测。我们将门控量子启发式 Kolmogorov-Arnold 网络快速权重编程器 (https://huggingface.co/papers?q=gated%20quantum-inspired%20Kolmogorov-Arnold%20network%20fast-weight%20programmers) (QKAN-FWP (https://huggingface.co/papers?q=QKAN-FWPs)) 适配到直接多步 Abilene TM 预测任务，每个模型根据两小时的历史数据预测下一个 20 个五分钟帧的 144 通道 OD 矩阵。我们在共享固定预算训练协议下，将三种 QKAN 放置变体与同等规模的LSTM (https://huggingface.co/papers?q=LSTM) 网络、一个更大规模的LSTM (https://huggingface.co/papers?q=LSTM) 以及一个经典的门控快速权重编程器 (https://huggingface.co/papers?q=classical%20gated%20fast-weight%20programmer) 进行基准测试。在所有评估的循环模型中，G-QKANFWP 取得了最佳的合并均方根误差 (https://huggingface.co/papers?q=root-mean-square%20error) (RMSE)，同时仅使用了更大规模LSTM (https://huggingface.co/papers?q=LSTM) 的 22.4% 的参数。它还优于同等规模的LSTM (https://huggingface.co/papers?q=LSTM) 和经典 G-FWP 基线，表明增益并非仅来自门控快速权重框架。收敛性和逐通道分析进一步表明，量子启发式变体在验证损失-学习曲线面积 (AULC (https://huggingface.co/papers?q=AULC)) 上低于同等规模的循环基线，而 G-QKANFWP 和 GQKAN-FWP 在 OD 通道上的胜场显著更多。这些结果识别出经典慢速编程器与量子启发式快速编程器相结合的架构，是面向资源受限的网络流量矩阵预测的一种有前景的精度-效率设计方案。

查看 arXiv 页面 (https://arxiv.org/abs/2606.27821)查看 PDF (https://arxiv.org/pdf/2606.27821)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.27821)

在您的代理中获取此论文：

hf papers read 2606.27821

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

暂无关联此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2606.27821，即可在此页面建立关联。

引用此论文的数据集0

暂无关联此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2606.27821，即可在此页面建立关联。

引用此论文的 Space0

暂无关联此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2606.27821，即可在此页面建立关联。

包含此论文的合集1