論文の概要: Toward Non-Expert Customized Congestion Control

• arxiv url: http://arxiv.org/abs/2601.22461v1
• Date: Fri, 30 Jan 2026 02:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.162269
• Title: Toward Non-Expert Customized Congestion Control
• Title（参考訳）: 非専門的なカスタマイズされた混雑制御に向けて
• Authors: Mingrui Zhang, Hamid Bagheri, Lisong Xu,
• Abstract要約: 汎用渋滞制御アルゴリズム(CCAs)は,一般的な混雑制御目標を達成するために設計されているが,特定のユーザの要求を満たすものではない。 我々は,非エキスパートユーザがカスタマイズされたCCAを簡単にモデル化,実装,デプロイできる,NECCという,探索的でないカスタマイズされたCCAフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.6049218462519255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose congestion control algorithms (CCAs) are designed to achieve general congestion control goals, but they may not meet the specific requirements of certain users. Customized CCAs can meet certain users' specific requirements; however, non-expert users often lack the expertise to implement them. In this paper, we present an exploratory non-expert customized CCA framework, named NECC, which enables non-expert users to easily model, implement, and deploy their customized CCAs by leveraging Large Language Models and the Berkeley Packet Filter (BPF) interface. To the best of our knowledge, we are the first to address the customized CCA implementation problem. Our evaluations using real-world CCAs show that the performance of NECC is very promising, and we discuss the insights that we find and possible future research directions.
• Abstract（参考訳）: 汎用渋滞制御アルゴリズム(CCAs)は,一般的な混雑制御目標を達成するために設計されているが,特定のユーザの要求を満たすものではない。 カスタマイズされたCCAは特定のユーザの要求を満たすことができるが、専門家でないユーザはそれを実装するための専門知識が欠けていることが多い。 本稿では,大規模な言語モデルとBerkeley Packet Filter (BPF) インタフェースを活用することで,非エキスパートユーザがカスタマイズされたCCAを容易にモデル化,実装,デプロイできる,NECCという,探索的でないカスタマイズされたCCAフレームワークを提案する。 私たちの知る限りでは、カスタマイズされたCCA実装問題に最初に取り組みます。 実世界のCCAを用いて評価した結果,NECCの性能は非常に有望であることが示され,今後の研究の方向性と可能性について考察する。

関連論文リスト

• Creating General User Models from Computer Use [53.59999173952482]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• A Reinforcement Learning Framework for Application-Specific TCP Congestion-Control [2.5456314910104836]
  Congestion Control (CC)モジュールはTransmission Control Protocol (TCP)において重要な役割を果たす。 ネットワーク条件の変化に適応するために、学習に基づくCCアプローチがいくつか提案されている。 我々は,任意の目的を指定可能な深層強化学習(DRL)ベースのCCフレームワーク,すなわちASCを提案する。
  論文  参考訳（メタデータ） (2025-05-11T16:27:19Z)
• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• Reasoning over User Preferences: Knowledge Graph-Augmented LLMs for Explainable Conversational Recommendations [58.61021630938566]
  対話型レコメンデーションシステム(CRS)は,対話型対話を通じてユーザの好みを捉え,パーソナライズされたレコメンデーションを提供することを目的としている。 現在のCRSは、しばしば知識グラフ(KG)や言語モデルを利用して、ユーザの好みを潜在ベクトルとして抽出し、表現し、説明可能性を制限する。 本稿では,LCMとKGを相乗化してユーザの好みを推論し,既存のCRSの性能と説明可能性を高めるプラグイン・アンド・プレイ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-16T11:47:21Z)
• Smart Casual Verification of the Confidential Consortium Framework [2.160395257762205]
  Confidential Consortium Framework(CCF)は、信頼できる信頼性のあるクラウドアプリケーションを開発するためのオープンソースプラットフォームである。 CCFはMicrosoftのAzure Confidential Ledgerサービスを動かしている。 本稿では、CCFの新しい分散プロトコルの正当性を検証するために、スマートカジュアル検証を適用した経験を報告する。
  論文  参考訳（メタデータ） (2024-06-25T10:49:54Z)
• Collaborative filtering to capture AI user's preferences as norms [0.4640835690336652]
  現在のメソッドでは、過剰なユーザの関与が必要で、真の好みをキャプチャできない。 我々は、規範を構築する際に新しい視点が必要であると論じる。 推薦システムにインスパイアされた我々は、協調フィルタリングが適切なアプローチをもたらすと信じている。
  論文  参考訳（メタデータ） (2023-08-01T15:14:23Z)
• Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
  予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。 BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
  論文  参考訳（メタデータ） (2022-10-14T03:55:36Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。