論文の概要: Beyond Interpretability: Exploring the Comprehensibility of Adaptive Video Streaming through Large Language Models

• arxiv url: http://arxiv.org/abs/2508.16448v1
• Date: Fri, 22 Aug 2025 15:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.424913
• Title: Beyond Interpretability: Exploring the Comprehensibility of Adaptive Video Streaming through Large Language Models
• Title（参考訳）: 解釈可能性を超えて - 大規模言語モデルによる適応型ビデオストリーミングの理解可能性を探る
• Authors: Lianchen Jia, Chaoyang Li, Ziqi Yuan, Jiahui Chen, Tianchi Huang, Jiangchuan Liu, Lifeng Sun,
• Abstract要約: textttComTreeは、理解性を考慮した適応アルゴリズム生成フレームワークである。 textttComTreeは競争性能を維持しながら理解性を著しく向上させることを示す。
• 参考スコア（独自算出の注目度）: 25.556293304512906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, adaptive video streaming technology has witnessed significant advancements, particularly driven by the rapid evolution of deep learning techniques. However, the black-box nature of deep learning algorithms presents challenges for developers in understanding decision-making processes and optimizing for specific application scenarios. Although existing research has enhanced algorithm interpretability through decision tree conversion, interpretability does not directly equate to developers' subjective comprehensibility. To address this challenge, we introduce \texttt{ComTree}, the first bitrate adaptation algorithm generation framework that considers comprehensibility. The framework initially generates the complete set of decision trees that meet performance requirements, then leverages large language models to evaluate these trees for developer comprehensibility, ultimately selecting solutions that best facilitate human understanding and enhancement. Experimental results demonstrate that \texttt{ComTree} significantly improves comprehensibility while maintaining competitive performance, showing potential for further advancement. The source code is available at https://github.com/thu-media/ComTree.
• Abstract（参考訳）: 過去10年間で、適応的なビデオストリーミング技術は、特にディープラーニング技術の急速な進化によって、大きな進歩を目の当たりにしてきた。 しかし、ディープラーニングアルゴリズムのブラックボックスの性質は、開発者が意思決定プロセスを理解し、特定のアプリケーションシナリオに最適化する上での課題を提示している。 既存の研究は決定木変換によるアルゴリズムの解釈可能性を高めているが、解釈性は開発者の主観的理解度と直接的に一致するものではない。 この課題に対処するために,理解度を考慮した最初のビットレート適応アルゴリズム生成フレームワークである \texttt{ComTree} を紹介する。 フレームワークは最初、パフォーマンス要件を満たす完全な決定ツリーを生成し、次に大きな言語モデルを活用して、これらのツリーを開発者の理解度を評価する。 実験の結果, <texttt{ComTree} は競争性能を維持しながら理解性を著しく向上させ, さらなる進歩の可能性を示した。 ソースコードはhttps://github.com/thu-media/ComTree.comで入手できる。

関連論文リスト

• Decision Tree Induction Through LLMs via Semantically-Aware Evolution [53.0367886783772]
  遺伝的プログラミング(GP)に基づく決定木誘導のための進化的最適化手法を提案する。 私たちの重要なイノベーションは、セマンティックな事前情報と、検索空間に関するドメイン固有の知識をアルゴリズムに統合することです。 これは、構造化された自然言語プロンプトを扱う新しい遺伝子操作子によって操作される。
  論文  参考訳（メタデータ） (2025-03-18T12:52:03Z)
• Optimizing Interpretable Decision Tree Policies for Reinforcement Learning [10.68128849363198]
  決定木は、その固有の解釈可能性について教師あり学習において注目を集めている。 本稿では、強化学習環境におけるニューラルネットワークを置き換えるために、解釈可能な決定木ポリシーを最適化する問題を考察する。
  論文  参考訳（メタデータ） (2024-08-21T14:04:00Z)
• CF-OPT: Counterfactual Explanations for Structured Prediction [47.36059095502583]
  ディープニューラルネットワークの最適化レイヤは構造化学習で人気を博し、さまざまなアプリケーションにおける最先端技術の改善に寄与している。 しかし、これらのパイプラインは2つの不透明な層(ディープニューラルネットワークのような非常に非線形な予測モデル)と、通常複雑なブラックボックス解決器である最適化層)で構成されているため、解釈性に欠ける。 我々のゴールは、このような手法の透明性を向上させることであり、対実的な説明を提供することである。
  論文  参考訳（メタデータ） (2024-05-28T15:48:27Z)
• On-the-Fly Syntax Highlighting: Generalisation and Speed-ups [2.208443815105053]
  オンザフライ構文強調は、視覚二次表記値を言語派生のそれぞれの文字と素早く関連付けるタスクである。 スピード制約はツールのユーザビリティを保証するために不可欠であり、オンラインソースコードにアクセスするエンドユーザの応答性を示す。 コードの理解力を高めるためには、正確なハイライトを達成することが重要です。 このようなリゾルバの開発コストに対処することは、多くのプログラミング言語のバージョンを考えると必須である。
  論文  参考訳（メタデータ） (2024-02-13T19:43:22Z)
• RAVEN: In-Context Learning with Retrieval-Augmented Encoder-Decoder Language Models [57.12888828853409]
  RAVENは検索強化されたマスク付き言語モデリングとプレフィックス言語モデリングを組み合わせたモデルである。 フュージョン・イン・コンテキスト・ラーニング(Fusion-in-Context Learning)により、追加のトレーニングを必要とせずに、より多くのコンテキスト内サンプルを利用できる。 本研究は,テキスト内学習のためのエンコーダ・デコーダ言語モデルの構築の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-08-15T17:59:18Z)
• Evolutionary learning of interpretable decision trees [3.655021726150368]
  本研究では,意思決定木を用いた強化学習手法を提案する。 進化的アルゴリズムの利点とQ学習の利点を組み合わせた2段階最適化手法を提案する。 提案手法を3つのよく知られた強化学習ベンチマークで検証し,性能と解釈可能性の両面で最先端と競争する結果を得た。
  論文  参考訳（メタデータ） (2020-12-14T17:16:46Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。