文章总结与翻译
一、文章主要内容
本文聚焦自适应视频流（Adaptive Video Streaming）领域，针对深度学习驱动的自适应比特率（ABR）算法“黑箱”特性导致的可理解性不足问题展开研究。现有研究虽通过决策树转换提升了算法可解释性，但可解释性不等于开发者主观可理解性——复杂的决策树结构仍让开发者难以理解设计逻辑、优化适配新网络环境。
为此，作者提出首个兼顾可理解性的比特率适配算法生成框架ComTree，核心流程分两阶段：
- Rashomon集构建：先基于黑箱模型先验知识通过特征消除压缩ABR状态空间，再借助师生学习框架生成符合实际播放概率的数据集，最后用深度修剪的动态规划算法（TreeFarms）生成性能误差在预设范围内的异构决策树全集（Rashomon集）；
- LLM可理解性评估：利用大语言模型（LLMs，如GPT-4o、Claude-3.7-Sonnet）模拟开发者主观判断，通过 pairwise 比较机制、多模型集成策略和两阶段比较方法，从Rashomon集中筛选出可理解性最优的决策树。
实验结果显示，ComTree在保持竞争力性能的同时显著提升可理解性：仅用现有算法（如Pitree）约1/5的节点数实现更优性能，相比经典基线算法（BBA、RobustMPC等）平均性能提升4%-98%；且可理解性与开发者优化潜力正相关，经LLM调整后，ComTree生成的决策树在5G场景下性能可超越传统算法（如RobustMPC）。
