論文の概要: NSMA: Neuro-Symbolic Manifold Alignment for Generalizable Adaptive Bitrate Streaming under Texture Shift

• arxiv url: http://arxiv.org/abs/2607.18845v1
• Date: Tue, 21 Jul 2026 08:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.358248
• Title: NSMA: Neuro-Symbolic Manifold Alignment for Generalizable Adaptive Bitrate Streaming under Texture Shift
• Title（参考訳）: NSMA: テクスチュアシフト下での一般化可能な適応ビットレートストリーミングのためのニューロシンボリックマニフォールドアライメント
• Authors: Zhiqiang He, Zhi Liu,
• Abstract要約: ニューラルポリシーは、リッチな振る舞いを学ぶが、環境が変わる瞬間を忘れる。 テクスチュア・アウェア・ジェネリゼーション・アセスメント(英語版)は、時間的性質が裸に置かれているトレースを横断するトレーニングの全体を通じてポリシーを判断する。 ニューロ・シンボリック・マニフォールド・アライメント(Neuro-Symbolic Manifold Alifold Alignment)は、ルール決定をニューラルネットワークの潜在空間内にアンカーとして組み込んで、学習の支払い先を継続的に学習し、ルールが常に知っていることを忘れないようにする。
• 参考スコア（独自算出の注目度）: 9.03791138025699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For decades, ABR has kept two kinds of intelligence apart. Neural policies learn rich behaviors yet forget them the moment the environment changes; rules never learn, and never forget. Every prior attempt to combine them has kept this separation, letting rules supervise, constrain, or override the network from outside. We dissolve the boundary itself. But no union can be trusted before it can be tested, and ABR has never known how to measure what its policies learn or forget. The field's yardstick is bandwidth statistics, and we show it misleads. Identical statistics can hide entirely different outcomes, while wildly different statistics can hide similar ones. We replace the yardstick before building the bridge, with Texture-Aware Generalization Evaluation, a protocol that judges a policy by its whole training journey across traces whose temporal nature is laid bare. What truly breaks a policy is invisible. No statistic reveals it, no feature extracts it, yet rules walk through it untouched, for they reason from physics and owe the data nothing. So we build the bridge. Neuro-Symbolic Manifold Alignment (NSMA) embeds rule decisions as anchors inside the latent space of the neural policy, so that it keeps learning where learning pays, and can no longer forget what rules have always known. Generalization cannot be argued, only survived. We raise NSMA on 3G traces alone and release it, without fine-tuning, into eight unseen datasets spanning 4G, 5G, and WiFi, and onto a real-world player. It outperforms every state-of-the-art baseline. And when we open its latent space to ask why, probing and visualization return the same answer the design promised. https://tinyzqh.github.io/NSMA/
• Abstract（参考訳）: 何十年もの間、ABRは2種類のインテリジェンスを分離してきた。 ニューラルポリシーは、リッチな振る舞いを学ぶが、環境が変わる瞬間を忘れる。 それらを結合する以前の試みはすべて、この分離を保ち、ルールがネットワークを外部から監督、制約、あるいはオーバライドすることを可能にする。 私たちは境界そのものを解消します。 しかし、テストされる前に組合は信用できないし、ABRはその政策が何を学習するか、忘れているかを計測する方法を知らない。 フィールドのヤードスティックは帯域統計であり、誤解を招く。 正確な統計は、全く異なる結果を隠すことができる一方、非常に異なる統計は、同様の結果を隠すことができる。 橋を建てる前のヤードスティックを、時間的性質が裸に置かれているトレースを横断するトレーニング全体を通じてポリシーを判断するプロトコルであるTexture-Aware Generalization Evaluation(テクスチュア・アウェア・ジェネリゼーション・評価)に置き換える。 政策を本当に破るものは目に見えない。 統計学的には明らかにされていないし、特徴が抽出されるわけではないが、規則は触れられていない。 そこで私たちは橋を架けました。 ニューロ・シンボリック・マニフォールド・アライメント(NSMA)は、ルール決定をニューラルネットワークの潜在空間内のアンカーとして組み込み、学習の支払い先を継続的に学習し、ルールが常に知っていることを忘れないようにしている。 一般化は論証できないが、生き残っただけである。 NSMAを3Gトレースだけで立ち上げ、微調整なしでリリースし、4G、5G、WiFiにまたがる8つの目に見えないデータセットを現実世界のプレーヤーにリリースします。 最先端のベースラインをすべて上回る。 そして、なぜか尋ねるために潜伏空間を開くと、探索と視覚化は、その設計が約束したのと同じ答えを返す。 https://tinyzqh.github.io/NSMA/

関連論文リスト

• Echoes of the Prior: A Computational Phenomenology of Forgetting [68.3300299717344]
  Echoes of the Priorはインタラクティブなインスタレーションで、忘れることの主観的な現象を視覚化しようとする。 フィードフォワード3次元再構成モデルにおいて、制御されたシナプス崩壊を誘導することにより、我々は脳の予測的前駆体の浸食の芸術的アナロジーを作成する。
  論文  参考訳（メタデータ） (2026-06-10T17:10:04Z)
• Checking extracted rules in Neural Networks [0.0]
  ニューラルネットワークにおける抽出規則の形式的検証について検討する。 ルールは、ネットワークの入力空間の大部分に関するグローバルプロパティまたはパターンである。
  論文  参考訳（メタデータ） (2025-09-20T06:15:47Z)
• Abstracting Concept-Changing Rules for Solving Raven's Progressive Matrix Problems [54.26307134687171]
  Raven's Progressive Matrix (RPM) は、候補者の中から選択することで、機械知能においてそのような能力を実現する古典的なテストである。 近年の研究では、RPMの解法はルールの深い理解を促進することが示唆されている。 本稿では、解釈可能な概念を学習し、潜在空間における概念変更ルールを解析することにより、概念変更ルールABstraction(CRAB)の潜時変数モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-15T07:16:38Z)
• What Can We Learn from Unlearnable Datasets? [107.12337511216228]
  学習不可能なデータセットは、ディープニューラルネットワークの一般化を防ぐことによって、データのプライバシを保護する可能性がある。 学習不可能なデータセットでトレーニングされたニューラルネットワークは、一般化には役に立たない単純なルールであるショートカットのみを学ぶと広く信じられている。 これとは対照的に,ネットワークは高いテスト性能を期待できる有用な特徴を実際に学習することができ,画像保護が保証されていないことを示唆している。
  論文  参考訳（メタデータ） (2023-05-30T17:41:35Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• SCALE: Online Self-Supervised Lifelong Learning without Prior Knowledge [20.277446818410994]
  本稿では,事前知識のないオンライン自己教師型生涯学習という,より実践的な問題設定を提案する。 提案した設定は、非IDデータとシングルパスデータ、外部監視の欠如、事前の知識がないため、困難である。 課題に対処するために,事前知識のない自己監督型コントラサシブ生涯学習(SCALE)を提案する。 SCALEは、擬似教師付きコントラスト損失、自己教師付き忘れ損失、一様サブセット選択のためのオンラインメモリ更新の3つの主要なコンポーネントを中心に設計されている。
  論文  参考訳（メタデータ） (2022-08-24T02:01:06Z)
• Local plasticity rules can learn deep representations using self-supervised contrastive predictions [3.6868085124383616]
  生物学的制約を尊重するが、深い階層的な表現をもたらす学習規則はまだ不明である。 本稿では,神経科学からインスピレーションを得た学習ルールを提案し,近年の自己教師型深層学習の進歩について述べる。 この自己監督的かつ局所的なルールで訓練されたネットワークは、画像、音声、ビデオの深い階層的表現を構築する。
  論文  参考訳（メタデータ） (2020-10-16T09:32:35Z)
• Tensor Programs II: Neural Tangent Kernel for Any Architecture [23.166601000371728]
  我々は、*アーキテクチャ*のランダムに決定論的ニューラルネットワークが、ネットワーク幅が無限大になる傾向があるため、そのTangent Kernel(NTK)が限界に収束していることを証明する。 本稿では,再帰型ニューラルネットワーク,トランスフォーマー,バッチ正規化の無限幅NTKの参照実装について述べる。
  論文  参考訳（メタデータ） (2020-06-25T16:45:23Z)
• Bias-based Universal Adversarial Patch Attack for Automatic Check-out [59.355948824578434]
  逆の例は、ディープニューラルネットワーク(DNN)を簡単に誤解させる、知覚不能な摂動を持つ入力である。 既存の戦略は強力な一般化能力を持つ敵パッチを生成できなかった。 本稿では,強い一般化能力を持つクラス非依存の普遍的敵パッチを生成するためのバイアスベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-19T07:38:54Z)

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。