論文の概要: TSKAN: Interpretable Machine Learning for QoE modeling over Time Series Data

• arxiv url: http://arxiv.org/abs/2509.20595v1
• Date: Wed, 24 Sep 2025 22:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.609997
• Title: TSKAN: Interpretable Machine Learning for QoE modeling over Time Series Data
• Title（参考訳）: TSKAN:時系列データを用いたQoEモデリングのための解釈可能な機械学習
• Authors: Kamal Singh, Priyanka Rawat, Sami Marouani, Baptiste Jeudy,
• Abstract要約: 本稿では,ML(Interpretable Machine Learning)技術を用いたビデオストリーミングアプリケーションにおけるQoEモデリングの新しい手法を提案する。 従来のブラックボックスアプローチとは異なり、我々の手法は、コンパクトな周波数領域上の解釈可能な読み出しとして、KAN(Kolmogorov-Arnold Networks)を組み合わせている。
• 参考スコア（独自算出の注目度）: 0.8866338330056278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality of Experience (QoE) modeling is crucial for optimizing video streaming services to capture the complex relationships between different features and user experience. We propose a novel approach to QoE modeling in video streaming applications using interpretable Machine Learning (ML) techniques over raw time series data. Unlike traditional black-box approaches, our method combines Kolmogorov-Arnold Networks (KANs) as an interpretable readout on top of compact frequency-domain features, allowing us to capture temporal information while retaining a transparent and explainable model. We evaluate our method on popular datasets and demonstrate its enhanced accuracy in QoE prediction, while offering transparency and interpretability.
• Abstract（参考訳）: 品質・オブ・エクスペリエンス(QoE)モデリングは、さまざまな機能とユーザエクスペリエンスの間の複雑な関係を捉えるために、ビデオストリーミングサービスを最適化するために不可欠である。 本稿では、生の時系列データを用いた解釈可能な機械学習(ML)技術を用いて、ビデオストリーミングアプリケーションにおけるQoEモデリングの新しい手法を提案する。 従来のブラックボックスアプローチとは異なり、我々の手法は、コンパクトな周波数領域の特徴の上に解釈可能な読み出しとしてKAN(Kolmogorov-Arnold Networks)を組み合わせることで、透過的で説明可能なモデルを維持しながら、時間情報をキャプチャすることができる。 提案手法を一般的なデータセット上で評価し,その精度をQoE予測で示すとともに,透明性と解釈可能性を提供する。

関連論文リスト

• DiffVQA: Video Quality Assessment Using Diffusion Feature Extractor [22.35724335601674]
  映像品質評価(VQA)は、知覚的歪みと人間の嗜好に基づいて映像品質を評価することを目的としている。 我々は、広範囲なデータセットで事前訓練された拡散モデルの堅牢な一般化機能を利用する新しいVQAフレームワークDiffVQAを紹介する。
  論文  参考訳（メタデータ） (2025-05-06T07:42:24Z)
• Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
  本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。 ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。 このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-04-30T06:19:37Z)
• WinTSR: A Windowed Temporal Saliency Rescaling Method for Interpreting Time Series Deep Learning Models [0.51795041186793]
  我々は、新しい解釈方法、textitWindowed Temporal Saliency Rescaling(WinTSR)を導入する。 我々は、異なるアーキテクチャの5つの最先端ディープラーニングモデルを用いて、WinTSRを10の最近の解釈手法と比較した。 総括分析の結果,WinTSRは他の局所解釈手法よりも性能が優れていた。
  論文  参考訳（メタデータ） (2024-12-05T17:15:07Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• SHAPNN: Shapley Value Regularized Tabular Neural Network [4.587122314291091]
  本稿では,教師あり学習のための新しい深層データモデリングアーキテクチャであるSHAPNNを紹介する。 我々のニューラルネットワークは、標準的な後方伝播最適化手法を用いて訓練され、リアルタイムに推定されたShapley値で正規化される。 我々は,これらの手法を公開データセット上で評価し,最先端のディープニューラルネットワークモデルと比較した。
  論文  参考訳（メタデータ） (2023-09-15T22:45:05Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• CCVS: Context-aware Controllable Video Synthesis [95.22008742695772]
  プレゼンテーションでは、古いビデオクリップから新しいビデオクリップを合成するための自己教師付き学習アプローチを紹介している。 時間的連続性のための文脈情報と微妙な制御のための補助情報に基づいて合成過程を規定する。
  論文  参考訳（メタデータ） (2021-07-16T17:57:44Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)
• Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting [12.0855096102517]
  金融時系列予測のための表現学習フレームワークを提案する。 本稿では、まず時系列データからコンパクトな表現を学習し、次に学習した表現を用いて、時系列の動きを予測するためのより単純なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-02-18T15:24:33Z)

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。