論文の概要: Supervised Learning based QoE Prediction of Video Streaming in Future Networks: A Tutorial with Comparative Study

• arxiv url: http://arxiv.org/abs/2202.02454v1
• Date: Mon, 3 Jan 2022 18:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-02 09:39:18.167440
• Title: Supervised Learning based QoE Prediction of Video Streaming in Future Networks: A Tutorial with Comparative Study
• Title（参考訳）: 教師付き学習に基づく将来のネットワークにおけるビデオストリーミングのQoE予測:比較研究によるチュートリアル
• Authors: Arslan Ahmad, Atif Bin Mansoor, Alcardo Alex Barakabitze, Andrew Hines, Luigi Atzori and Ray Walshe
• Abstract要約: 本稿では、教師付き学習MLモデルに基づくビデオストリーミングサービスのQoE計測および予測ソリューションの開発と展開に関するチュートリアルを提供する。 本稿では,複数のパフォーマンス指標に基づくビデオストリーミングアプリケーションのQoE予測のための,最先端の教師付き学習MLモデルの比較研究を行う。
• 参考スコア（独自算出の注目度）: 3.4481772445386087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Quality of Experience (QoE) based service management remains key for successful provisioning of multimedia services in next-generation networks such as 5G/6G, which requires proper tools for quality monitoring, prediction and resource management where machine learning (ML) can play a crucial role. In this paper, we provide a tutorial on the development and deployment of the QoE measurement and prediction solutions for video streaming services based on supervised learning ML models. Firstly, we provide a detailed pipeline for developing and deploying supervised learning-based video streaming QoE prediction models which covers several stages including data collection, feature engineering, model optimization and training, testing and prediction and evaluation. Secondly, we discuss the deployment of the ML model for the QoE prediction/measurement in the next generation networks (5G/6G) using network enabling technologies such as Software-Defined Networking (SDN), Network Function Virtualization (NFV) and Mobile Edge Computing (MEC) by proposing reference architecture. Thirdly, we present a comparative study of the state-of-the-art supervised learning ML models for QoE prediction of video streaming applications based on multiple performance metrics.
• Abstract（参考訳）: qoe(quality of experience)ベースのサービス管理は、5g/6gのような次世代ネットワークにおけるマルチメディアサービスのプロビジョニング成功の鍵であり、機械学習(ml)が重要な役割を果たす品質監視、予測、リソース管理のための適切なツールが必要である。 本稿では,教師付き学習MLモデルに基づくビデオストリーミングサービスのQoE計測および予測ソリューションの開発と展開に関するチュートリアルを提供する。 まず、データ収集、特徴工学、モデルの最適化とトレーニング、テストと予測と評価を含むいくつかの段階をカバーする、教師付き学習ベースのビデオストリーミングQoE予測モデルの開発とデプロイのための詳細なパイプラインを提供する。 次に,次世代ネットワーク(5G/6G)におけるQoE予測/測定のためのMLモデルの展開について,参照アーキテクチャの提案により,SDN(Software-Defined Networking),NFV(Network Function Virtualization),MEC(Mobile Edge Computing)などのネットワーク実現技術を用いて論じる。 第3に,複数のパフォーマンス指標に基づくビデオストリーミングアプリケーションのqoe予測のための,最先端教師付き学習mlモデルの比較研究を行う。

関連論文リスト

• Machine Learning-Driven Open-Source Framework for Assessing QoE in Multimedia Networks [0.18749305679160366]
  サービスプロバイダは、ユーザの満足度を確保するために、サービスの品質とエクスペリエンスの質(QoE)の高水準を維持しなければなりません。 サービス品質に対するユーザの満足度を反映したQoEは、マルチメディアサービスにとって重要な指標です。 本稿では,マルチメディアネットワークにおけるQoEを客観的に評価するための機械学習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） (2024-06-12T18:07:06Z)
• Understanding LLMs: A Comprehensive Overview from Training to Inference [52.70748499554532]
  大規模言語モデルの低コストなトレーニングと展開は、将来の開発トレンドを表している。 トレーニングに関する議論には、データ前処理、トレーニングアーキテクチャ、事前トレーニングタスク、並列トレーニング、モデル微調整に関連する関連コンテンツなど、さまざまな側面が含まれている。 推論の面では、モデル圧縮、並列計算、メモリスケジューリング、構造最適化などのトピックを取り上げている。
  論文  参考訳（メタデータ） (2024-01-04T02:43:57Z)
• A Control-Centric Benchmark for Video Prediction [69.22614362800692]
  本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。 私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。 次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
  論文  参考訳（メタデータ） (2023-04-26T17:59:45Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• VindLU: A Recipe for Effective Video-and-Language Pretraining [83.49216853881595]
  本稿では,VidLモデル設計において最も重要な要素を解明する実証的研究を行う。 これらの経験的洞察を用いて、有効なVidL事前学習のためのステップバイステップレシピVindLUを開発した。 提案手法を用いてトレーニングしたモデルは,VidLタスクにおける最先端結果と同等かそれ以上の精度で達成できる。
  論文  参考訳（メタデータ） (2022-12-09T18:54:05Z)
• On-device Training: A First Overview on Existing Systems [6.551096686706628]
  リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。 この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
  論文  参考訳（メタデータ） (2022-12-01T19:22:29Z)
• Reinforcement Learning with Action-Free Pre-Training from Videos [95.25074614579646]
  本稿では,ビデオにおける生成前学習を通じて動的理解に役立つ表現を学習するフレームワークを提案する。 我々のフレームワークは、視覚に基づく強化学習の最終性能とサンプル効率の両方を著しく改善する。
  論文  参考訳（メタデータ） (2022-03-25T19:44:09Z)
• A Brief Survey on Adaptive Video Streaming Quality Assessment [30.253712568568876]
  適応型ビデオストリーミングにおける品質・オブ・エクスペリエンス(QoE)の評価は,高度ネットワーク管理システムにおいて重要な役割を担っている。 我々は、適応的なビデオストリーミングのための機械学習技術を用いて、客観的QoEアセスメントモデルの様々なバリエーションを分析し、比較する。 既存のビデオストリーミングQoEアセスメントモデルにはまだ性能が限られており,実用的な通信システムに適用することは困難である。
  論文  参考訳（メタデータ） (2022-02-25T21:38:14Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。