TSKAN：基于时间序列数据的可解释机器学习用于体验质量建模
机器学习
2025-09-26 v1 网络与互联网体系结构
摘要
体验质量（QoE）建模对于优化视频流服务至关重要，旨在捕捉不同特征与用户体验之间的复杂关系。我们提出了一种基于可解释机器学习（ML）技术的全新QoE建模方法，用于视频流应用中的原始时间序列数据。与传统的黑箱方法不同，我们的方法将Kolmogorov-Arnold网络（KANs）作为可解释读出层，置于紧凑的频域特征之上，使我们能够捕获时间信息，同时保持模型的透明性和可解释性。我们在流行数据集上评估了所提方法，证明了其在QoE预测方面的增强精度，同时提供了透明性和可解释性。
引用
@article{arxiv.2509.20595,
title = {TSKAN: Interpretable Machine Learning for QoE modeling over Time Series Data},
author = {Kamal Singh and Priyanka Rawat and Sami Marouani and Baptiste Jeudy},
journal= {arXiv preprint arXiv:2509.20595},
year = {2025}
}