Parameter-Efficient Quantum-Inspired Fast Weight Programmers for Traffic-Matrix Forecasting

Technische Samenvatting: Parameter-efficiënte Quantum-geïnspireerde Fast Weight Programmers voor Traffic-Matrix Voorspelling

Probleemstelling
Traffic matrices (TM's) vertegenwoordigen de vraag tussen oorsprong en bestemming (OD-vraag) binnen een netwerk en zijn cruciaal voor taken op het gebied van verkeersengineering, zoals capaciteitsplanning, congestiebeheersing en routing. Hoewel nauwkeurige voorspelling van de gehele matrix essentieel is, wordt dit geconfronteerd met aanzienlijke beperkingen in operationele omgevingen. In online netwerkcontrolelussen, met name in edge- en cloud-edge-omgevingen, moeten modellen opereren onder strikte beperkingen wat betreft geheugen, rekenkracht en trainingsbudget. Het verplaatsen van fijnmazige telemetrie naar afgelegen clouds introduceert latentie- en bandbreedtekosten, wat lokale voorspellingsmogelijkheden vereist die efficiënt met middelen omgaan. Bestaande methoden met een hoge nauwkeurigheid vertrouwen vaak op grootschalige graaf-, transformer- of diffusiemodules die de beschikbare middelen kunnen overschrijden. Dit onderzoek onderzoekt of compacte, quantum-geïnspireerde recurrente modellen effectieve voorspellingen van de gehele matrix kunnen bieden zonder te vertrouwen op specifieke ruimtelijke encoders of architecturen met een grote capaciteit.

Methodologie
De auteurs passen de Gated Quantum-Inspired Kolmogorov–Arnold Network Fast Weight Programmer (QKAN-FWP) architectuur aan voor de taak van directe multi-step traffic-matrix voorspelling. De studie maakt gebruik van de Abilene backbone netwerkdataset, waarbij 24 wekelijkse bestanden worden verwerkt tot 5-minuten TM-frames. Elk frame bestaat uit 144 OD-paren, die worden omgezet in een frame-genormaliseerde TM (FN-TM) representatie waarbij waarden zijn geïnverteerd en geschaald naar [0, 1] om de relatieve verkeersintensiteit te reflecteren.

Het experimentele protocol omvat een directe multi-step forecasting benadering: modellen nemen een geschiedenis van 2 uur (24 frames) op en voorspellen de daaropvolgende 100 minuten (20 frames) in één enkele forward pass. De evaluatie vergelijkt drie varianten van de QKAN-FWP familie met drie baselines onder een gedeeld vast-budget trainingsprotocol (50 epochs, vaste leercurve, Adam optimizer):

1. G-QKANFWP: Een klassieke 'slow programmer' genereert updates voor een Hybrid QKAN (HQKAN) 'fast programmer' (quantum-geïnspireerde nonlineariteit in de fast readout).
2. GQKAN-FWP: De HQKAN-module wordt geplaatst in de slow programmer, met een klassieke lineaire fast programmer.
3. GQKAN-QKANFWP: HQKAN-modules worden gebruikt aan zowel de slow als de fast zijde (de meest gecomprimeerde variant).
4. Baselines: Een even groot gelijke LSTM (LSTM-S), een grotere LSTM (LSTM-L), en een klassieke Gated Fast Weight Programmer (G-FWP) zonder quantum-geïnspireerde componenten.

Prestaties worden gemeten met behulp van gepoolde Root-Mean-Square Error (RMSE) over alle testvensters, horizonten en OD-kanalen, evenals validatie-loss Area Under the Learning Curve (AULC) en OD-kanaal win rates.

Belangrijkste Bijdragen

1. Benchmarking: De studie biedt een rigoureuze vergelijking van gated QKAN-FWP varianten tegenover standaard recurrente baselines (LSTMs) en een klassieke fast-weight baseline op een multi-channel TM voorspellingstaak.
2. Architectuuranalyse: Het isoleert de impact van de plaatsing van de quantum-geïnspireerde module binnen het fast-weight framework, waarbij wordt getest of de nonlineariteit effectiever is in de fast readout, de slow update generator, of beide.
3. Efficiëntie-Nauwkeurigheid Afweging: Het werk demonstreert dat een compact recurrent model een competitieve of superieure nauwkeurigheid kan bereiken ten opzichte van grotere modellen, terwijl het aantal parameters aanzienlijk wordt verminderd, wat specifels de "nauwkeurigheid–efficiëntie" designruimte valideert voor hulpbronbewuste netwerkcontrole.

Resultaten

• Geaggregeerde Nauwkeurigheid: Het G-QKANFWP model behaalde de beste gepoolde RMSE (0.06897 ± 0.00030) van alle geëvalueerde modellen. Het presteerde beter dan de even grote LSTM-S (0.07155) en de klassieke G-FWP (0.07038). Opvallend genoeg presteerde het iets beter dan de aanzienlijk grotere LSTM-L (0.06920), terwijl het slechts 22,4% van de parameters van de LSTM-L gebruikte (8.189 versus 36.624 parameters).
• Horizon Prestaties: G-QKANFWP vertoonde de sterkste prestaties bij korte (H=1) en lange (H=20) horizonten, terwijl LSTM-L licht superieur bleef bij het intermediaire H=10 horizont.
• Convergentie: Alle quantum-geïnspireerde varianten vertoonden een lagere validatie-loss AULC dan de even grote LSTM-S en de klassieke G-FWP, wat wijst op een snellere en meer duurzame reductie van de loss binnen het vaste trainingsbudget. G-QKANFWP matchte de convergentie van de grotere LSTM-L.
• Kanaal-niveau Overwinningen: Hoewel LSTM-L de meeste individuele OD-kanalen won (52/144), wonnen de quantum-geïnspireerde modellen (G-QKANFWP en GQKAN-FWP) aanzienlijk meer kanalen (respectievelijk 33 en 39) dan de even grote baselines (8 elk), wat wijst op gelokaliseerde verbeteringen over de netwerktopologie.
• Ablatie-inzichten: De vergelijking met G-FWP bevestigt dat de prestatiewinst niet enkel toe te schrijven is aan het gated fast-weight framework, maar aanzienlijk wordt verbeterd door de quantum-geïnspireerde fast readout. Het plaatsen van HQKAN in de fast readout (G-QKANFWP) bleek effectiever dan het plaatsen van HQKAN in de slow programmer of op beide zijden voor deze specifieke taak.

Betekenis en Claims
Het artikel claimt dat G-QKANFWP een veelbelovende "nauwkeurigheid–efficiëntie" design vormt voor hulpbronbewuste traffic-matrix voorspelling. De primaire betekenis ligt in het aantonen dat een klassieke slow programmer gecombineerd met een quantum-geïnspireerde fast programmer een state-of-the-art gepoolde nauwkeurigheid kan bereiken met een fractie van de parameters die nodig zijn voor grotere recurrente baselines.

De auteurs kaderen hun bijdrage bescheiden, niet als een vervanging voor high-capacity forecasters, maar als een validatie van compacte recurrente modellen voor specifieke operationele beperkingen. Ze benadrukken dat de resultaten specifiek zijn voor de Abilene dataset en het vaste trainingsprotocol. De studie isoleert doelbewust de temporale recurrente component, wat suggereert dat toekomstig werk deze efficiënte recurrente modules kan integreren met specifieke ruimtelijke encoders (bijv. graaf- of diffusiemodules) om ruimtelijke afhankelijkheden verder uit te buiten. De bevindingen ondersteunen de levensvatbaarheid van quantum-geïnspireerde fast-weight programming als een lichtgewicht alternatief voor online netwerkcontrole waar geheugen- en trainingsbudgetten de primaire beperkingen zijn.