.png){kind=icon}
返回
A Tutorial on Data-Driven Quality-of-Experience Modeling With Explainable Artificial Intelligence
.png){kind=icon}
PRE
AI
DOI：10.1109/COMST.2025.3583227.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于机器学习（ML）的数据驱动用户体验（QoE）建模是未来通信网络的关键使能技术，因为它能够加速且无偏地建立QoE模型，同时自动适应随时间的变化。传统机器学习技术仅提供黑箱QoE模型，这意味着模型的内部推理过程难以理解。这使得不仅难以从数据和潜在的QoE影响因素中获得有价值的见解，也难以对QoE模型的预测建立信任。为解决这些挑战并提升性能，我们识别出数据驱动QoE模型的四个关键方面：可解释性、上下文适应性、不确定性量化和数据去中心化。在本工作中，我们聚焦于可解释人工智能（XAI），这是一种有望获得可解释模型的有前景的解决方案，能够应对数据驱动QoE建模的所有关键方面。本教程介绍了XAI及相关领域的相关概念，并解释了这些内容。我们将这些技术应用于两个实际用例——视频流QoE建模和Web QoE建模，针对两种不同的建模任务（分类和回归），并讨论了它们在基于XAI的数据驱动QoE建模中的价值。此外，为提高读者的理解、便于将所介绍的技术应用于自身用例，并促进XAI在数据驱动QoE建模领域的研究，我们提供了Python Jupyter Notebook。
Keyword:
Quality of Experience
machine learning
ML
explainable artificial intelligence
XAI
federated learning
uncertainty
video streaming QoE
Web QoE
期刊
I
IF:
0
论文数:
67
被引数:
0
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏分享收藏A Clustered Federated Learning Approach for Estimating the Quality of Experience of Web Users一种用于估计网页用户体验质量的聚类联邦学习方法2023 IEEE International Conference on Acoustics, Speech, and Signal Processing Workshops (ICASSPW)
2023 IEEE International Conference on Acoustics, Speech, and Signal Processing Workshops (ICASSPW)IF0
PREAI
分享收藏
On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation通过逐层相关性传播对非线性分类器决策的逐像素解释PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容