Fugu-MT 論文翻訳(概要): QoS-QoE Translation with Large Language Model

論文の概要: QoS-QoE Translation with Large Language Model

arxiv url: http://arxiv.org/abs/2604.08703v1
Date: Thu, 09 Apr 2026 18:51:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-13 17:57:53.539739
Title: QoS-QoE Translation with Large Language Model
Title（参考訳）: 大規模言語モデルを用いたQoS-QoE翻訳
Authors: Yingjie Yu, Mingyuan Wu, Ahmadreza Eslaminia, Lingzhi Zhao, Kaizhuo Yan, Klara Nahrstedt,
Abstract要約: 本稿では,マルチメディア文献からの構造化-QoE関係のソースグラウンドデータセットについて紹介する。双方向翻訳における連続値と離散ラベルの予測において,QoE と QoE-QoS の双方で高い性能を示す。
参考スコア（独自算出の注目度）: 7.061211983649378
License: http://creativecommons.org/licenses/by/4.0/
Abstract: QoS-QoE translation is a fundamental problem in multimedia systems because it characterizes how measurable system and network conditions affect user-perceived experience. Although many prior studies have examined this relationship, their findings are often developed for specific setups and remain scattered across papers, experimental settings, and reporting formats, limiting systematic reuse, cross-scenario generalization, and large-scale analysis. To address this gap, we first introduce QoS-QoE Translation dataset, a source-grounded dataset of structured QoS-QoE relationships from the multimedia literature, with a focus on video streaming related tasks. We construct the dataset through an automated pipeline that combines paper curation, QoS-QoE relationship extraction, and iterative data evaluation. Each record preserves the extracted relationship together with parameter definitions, supporting evidence, and contextual metadata. We further evaluate the capability of large language models (LLMs) on QoS-QoE translation, both before and after supervised fine-tuning on our dataset, and show strong performance on both continuous-value and discrete-label prediction in bidirectional translation, from QoS-QoE and QoE-QoS. Our dataset provides a foundation for benchmarking LLMs in QoS-QoE translation and for supporting future LLM-based reasoning for multimedia quality prediction and optimization. The complete dataset and code are publicly available at https://yyu6969.github.io/qos-qoe-translation-page/, for full reproducibility and open access.
Abstract（参考訳）: QoS-QoE翻訳は、計測可能なシステムとネットワーク条件がユーザ体験に与える影響を特徴付けるため、マルチメディアシステムにおける基本的な問題である。この関係について多くの先行研究が検討しているが、それらの発見はしばしば特定の設定のために開発され、論文、実験的な設定、報告形式、体系的な再利用の制限、クロスシナリオの一般化、大規模分析に分散している。このギャップに対処するために、我々はまず、マルチメディア文献から構築されたQoS-QoE関係のソースグラウンドデータセットであるQoS-QoE Translationデータセットを導入し、ビデオストリーミング関連タスクに焦点を当てた。我々は,紙キュレーション,QoS-QoE関係抽出,反復的データ評価を組み合わせた自動パイプラインを通じてデータセットを構築する。各レコードは、抽出された関係をパラメータ定義、エビデンス、コンテキストメタデータと共に保存する。 QoS-QoE と QoE-QoS の双方向翻訳における連続的な値と離散ラベルの予測に強い性能を示すため,QoS-QoE 翻訳における大規模言語モデル (LLM) の有効性について検討した。我々のデータセットはQoS-QoE翻訳におけるLLMのベンチマークの基礎を提供し、マルチメディア品質予測と最適化のための将来のLLMベースの推論をサポートする。完全なデータセットとコードはhttps://yyu6969.github.io/qos-qoe-translation-page/で公開されている。

関連論文リスト

Semi-Synthetic Parallel Data for Translation Quality Estimation: A Case Study of Dataset Building for an Under-Resourced Language Pair [0.0]
本研究は、英語からヘブライ語へのQEのための半合成並列データセットを提案する。専門的に翻訳された英語・ヘブライ語セグメントを、我々の資源から取り入れ、最高品質スコアを付与した。言語的問題、特に性別と数字の合意に関する問題に対処するために、制御された翻訳エラーが導入された。
論文参考訳（メタデータ） (2026-03-12T09:48:34Z)
P-MMEval: A Parallel Multilingual Multitask Benchmark for Consistent Evaluation of LLMs [84.24644520272835]
本稿では,P-MMEvalを提案する。P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P -M P-MMEvalは、さまざまなデータセットにわたって一貫した言語カバレッジを提供し、並列サンプルを提供する。我々は、モデルとタスク間の性能を比較するために、代表的多言語モデル系列に関する広範な実験を行う。
論文参考訳（メタデータ） (2024-11-14T01:29:36Z)
Unify word-level and span-level tasks: NJUNLP's Participation for the WMT2023 Quality Estimation Shared Task [59.46906545506715]
我々は、WMT 2023 Quality Estimation (QE)共有タスクにNJUNLPチームを紹介する。私たちのチームは2つのサブタスクすべてで英語とドイツ語のペアの予測を提出しました。我々のモデルは、単語レベルと細粒度エラースパン検出サブタスクの両方において、英語とドイツ語で最高の結果を得た。
論文参考訳（メタデータ） (2023-09-23T01:52:14Z)
LMGQS: A Large-scale Dataset for Query-focused Summarization [77.6179359525065]
我々は4つの一般的な要約ベンチマークを新しいQFSベンチマークデータセットであるLMGQSに変換する。我々は最先端の要約モデルを用いてベースラインを確立する。複数の既存のQFSベンチマークにおいて、最先端のゼロショットと教師付きパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-05-22T14:53:45Z)
PAXQA: Generating Cross-lingual Question Answering Examples at Training Scale [53.92008514395125]
PAXQA(クロスリンガル(x)QAのアノテーションの計画)は、クロスリンガルQAを2段階に分解する。本稿では、並列ビットから制約されたエンティティを抽出する語彙制約機械翻訳の新たな利用法を提案する。これらのデータセットに基づいて微調整されたモデルは、複数の抽出されたQAデータセット上で、先行合成データ生成モデルより優れていることを示す。
論文参考訳（メタデータ） (2023-04-24T15:46:26Z)
Original or Translated? On the Use of Parallel Data for Translation Quality Estimation [81.27850245734015]
並列データと実QEデータの間には,大きなギャップがある。並列データの場合、それは無差別であり、翻訳文はソースまたはターゲットサイドで発生する可能性がある。パラレルコーパスのソース元部分の使用は、そのターゲット元よりも一貫して優れています。
論文参考訳（メタデータ） (2022-12-20T14:06:45Z)
PreQuEL: Quality Estimation of Machine Translation Outputs in Advance [32.922128367314194]
PreQuELシステムは、実際の翻訳とは無関係に、ある文がどの程度翻訳されるかを予測する。タスクのベースラインモデルを開発し,その性能を解析する。本手法は,品質評価タスクの性能向上にも有効であることを示す。
論文参考訳（メタデータ） (2022-05-18T18:55:05Z)
Towards More Equitable Question Answering Systems: How Much More Data Do You Need? [15.401330338654203]
ステップバックして、既存のリソースを最大限に活用して、多くの言語でQAシステムを開発するためのアプローチを研究します。具体的には、自動翻訳とコンテキスト-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せ-問合せの順に拡張された数ショットアプローチの有効性を評価するために、広範囲に分析を行った。我々は、QAデータセットやシステムの言語カバレッジを高めることを目的として、固定アノテーション予算をより活用するための将来のデータセット開発活動を提案する。
論文参考訳（メタデータ） (2021-05-28T21:32:04Z)
Ensemble-based Transfer Learning for Low-resource Machine Translation Quality Estimation [1.7188280334580195]
第5回機械翻訳会議(WMT20)の文レベルQE共有タスクに焦点を当てます。このようなQEデータ不足の課題を克服するために、トランスファーラーニングを備えたアンサンブルベースの予測器推定QEモデルを提案する。個々の言語で事前学習されたモデルと異なるレベルの並列学習コーパスと、ピアソンの相関値0.298とを組み合わせたアンサンブルモデルにおいて、最も優れた性能を実現する。
論文参考訳（メタデータ） (2021-05-17T06:02:17Z)

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。