.png){kind=icon}
返回
Symmetry-Aware Causal-Inference-Driven Web Performance Modeling: A Structure-Aware Framework for Predictive Analysis and Actionable Optimization
.png){kind=icon}
PRE
AI
DOI：10.3390/sym17122058.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解和改进网页性能对于提升用户体验至关重要，但现有方法主要基于相关性且缺乏因果可解释性。为解决这一局限性，我们提出了一种基于因果推断的框架，用于诊断和优化以用户为中心的Web Vitals指标，例如Largest Contentful Paint (LCP)、First Input Delay (FID)和Cumulative Layout Shift (CLS)。我们的贡献有三方面。（1）我们构建了一个综合特征表示，捕捉Document Object Model (DOM)结构、资源加载行为、渲染特征和JavaScript执行过程，并将浏览器层面的领域知识整合到建模流程中。（2）我们引入了一种混合因果发现方法，结合约束推理与可微分评分学习，以估计反映实际渲染过程的高维因果结构。（3）我们开发了一个基于因果效应的干预优化模块，利用反事实推理识别可操作的性能改进措施。我们的框架进一步利用渲染过程中固有的结构对称性，通过重复布局模式和不变依赖流来减少冗余，并增强因果发现的稳定性和可识别性。在HTTP Archive、Chrome UX Report (CrUX)及合成基准数据集上的大量实验表明，相比现有的基于规则、统计和机器学习的基线方法，我们的框架在因果准确性、预测稳定性、干预建议有效性及可解释性方面均表现更优。这些结果凸显了因果感知分析在实用网页性能优化中的潜力。
Keyword:
causal inference
web performance
frontend optimization
structural causal models
performance prediction
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
Analyzing the Structure of Attention in a Transformer Language ModelTransformer语言模型中注意力结构的分析.png)
Proceedings of the 2019 ACL Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP
OAAI
Proceedings of the 2019 ACL Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLPIF0
OAAI分享收藏"Why Should I Trust You?"“我为什么要相信你？”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Causal-Aware Multimodal Transformer for Supply Chain Demand Forecasting: Integrating Text, Time Series, and Satellite Imagery因果感知多模态Transformer用于供应链需求预测：集成文本、时间序列和卫星图像IEEE Access
IEEE AccessIF0
PREAI
分享收藏分享收藏Counterfactual explanations and how to find them: literature review and benchmarking反事实解释及其发现: 文献综述与基准测试OAAI
OAAI分享收藏
查看更多内容