論文の概要: Attention-aware Resource Allocation and QoE Analysis for Metaverse xURLLC Services

• arxiv url: http://arxiv.org/abs/2208.05438v1
• Date: Wed, 10 Aug 2022 16:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 12:56:02.814557
• Title: Attention-aware Resource Allocation and QoE Analysis for Metaverse xURLLC Services
• Title（参考訳）: メタバースxurllcサービスの注意対応リソース割り当てとqoe分析
• Authors: Hongyang Du, Jiazhen Liu, Dusit Niyato, Jiawen Kang, Zehui Xiong, Junshan Zhang, and Dong In Kim
• Abstract要約: 本稿では,Metaverse サービスプロバイダ (MSP) とネットワークインフラストラクチャプロバイダ (InP) とのインタラクションについて検討し,Metaverse xURLLC サービスをデプロイする。 本稿では,メタヴァース利用者の客観的ネットワークと主観的感情の両方を取り入れたメタインマージョン(Meta-Immersion)という新しい指標を提案する。
• 参考スコア（独自算出の注目度）: 78.17423912423999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a virtual world interacting with the real world, Metaverse encapsulates our expectations of the next-generation Internet, while bringing new key performance indicators (KPIs). Conventional ultra-reliable and low-latency communications (URLLC) can satisfy the vast majority of objective service KPIs, but it is difficult to offer users a personalized experience in Metaverse services. Since increasing the quality of experience (QoE) can be regarded as an imperative KPI, the URLLC is evolved towards the next generation URLLC (xURLLC) to support Metaverse services based on graphical technology. By allocating more resources to virtual objects in which users are more interested, a higher QoE can be achieved. In this paper, we study the interaction between the Metaverse service provider (MSP) and the network infrastructure provider (InP) to deploy Metaverse xURLLC services. An optimal contract design framework is provided. Specifically, the utility of the MSP, defined as a function of Metaverse users' QoE, is to be maximized, while ensuring the incentives of the InP. To model the QoE of Metaverse xURLLC services, we propose a novel metric named Meta-Immersion that incorporates both the objective network KPIs and subjective feelings of Metaverse users. Using a user-object-attention level (UOAL) dataset, we develop and validate an attention-aware rendering capacity allocation scheme to improve QoE. It is shown that an average of 20.1% QoE improvement is achieved by the xURLLC compared to the conventional URLLC with the uniform allocation scheme. A higher percentage of QoE improvement, e.g., 40%, is achieved when the total resources are limited.
• Abstract（参考訳）: 現実世界と対話する仮想世界として,Metaverseは次世代インターネットへの期待をカプセル化し,新たなキーパフォーマンス指標(KPI)を提供する。 従来の超信頼性・低レイテンシ通信(URLLC)は,ほとんどの対象サービスKPIを満足するが,Metaverseサービスにおいてユーザに対してパーソナライズされたエクスペリエンスを提供するのは難しい。 クオリティ・オブ・エクスペリエンス(QoE)の向上はインペラティブなKPIと見なすことができるため、URLLCは次世代のURLLC(xURLLC)へと進化し、グラフィカル技術に基づいたMetaverseサービスをサポートする。 より多くのリソースをユーザがより興味を持つ仮想オブジェクトに割り当てることによって、より高いQoEを達成することができる。 本稿では,Metaverse xURLLCサービスを展開するために,Metaverseサービスプロバイダ(MSP)とネットワークインフラストラクチャプロバイダ(InP)のインタラクションを検討する。 最適なコントラクト設計フレームワークが提供される。 具体的には、メタバースユーザーのQoEの関数として定義されたMSPの効用を最大化し、InPのインセンティブを確実にする。 メタバースxurllcサービスのqoeをモデル化するために,ターゲットネットワークkpiとメタバースユーザの主観的感情の両方を組み込んだメタ没入という新しい指標を提案する。 ユーザ・オブジェクト・アテンション・レベル(uoal)データセットを用いて、注意対応レンダリング能力割当スキームの開発と検証を行い、qoeを改善する。 平均20.1%のQoE改善が xURLLC によって達成されることを示す。 qoeの改善率(例えば40%)は、総リソースが制限されたときに達成される。

関連論文リスト

• A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration [12.914011030970814]
  マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。 本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-12-26T18:04:49Z)
• Hybrid-Task Meta-Learning: A Graph Neural Network Approach for Scalable and Transferable Bandwidth Allocation [46.342827102556896]
  ユーザ数に応じてスケーラブルで,異なる通信シナリオに転送可能な,ディープラーニングベースの帯域割り当てポリシを開発する。 スケーラビリティをサポートするために、帯域割り当てポリシーはグラフニューラルネットワーク(GNN)によって表現される。 我々は,GNNの初期パラメータを異なる通信シナリオで学習するハイブリッドタスクメタ学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-23T04:25:12Z)
• Vision-based Semantic Communications for Metaverse Services: A Contest Theoretic Approach [66.10465001046762]
  Metaverseでは、アバターを更新し、ユーザの振る舞いを反映してレンダリングする必要がある。 ユーザとMPP間のインタラクションをモデル化する意味コミュニケーションフレームワークを提案する。 我々はセマンティック通信技術を用いて送信するデータの量を削減する。
  論文  参考訳（メタデータ） (2023-08-15T07:56:33Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Dynamic Resource Allocation for Metaverse Applications with Deep Reinforcement Learning [64.75603723249837]
  そこで本研究では,Metaverse アプリケーション用の異なるタイプのリソースを動的に管理・割り当てする新しいフレームワークを提案する。 まず,アプリケーション間で共通関数を共有できるMetaInstancesという,アプリケーションをグループに分割する効果的なソリューションを提案する。 そこで我々は,要求到着プロセスとアプリケーション離脱プロセスのリアルタイム,動的,不確実な特性を捉えるために,セミマルコフ決定プロセスに基づくフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-02-27T00:30:01Z)
• Exploring Attention-Aware Network Resource Allocation for Customized Metaverse Services [69.37584804990806]
  我々は、カスタマイズされたMetaverseサービスを実現するために、アテンション対応ネットワークリソース割り当てスキームを設計する。 目的は、ユーザーがより興味を持つ仮想オブジェクトにより多くのネットワークリソースを割り当てることである。
  論文  参考訳（メタデータ） (2022-07-31T06:04:15Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Online Meta Adaptation for Variable-Rate Learned Image Compression [40.8361915315201]
  この研究は、ディープニューラルネットワークに基づくエンドツーエンドの学習画像圧縮(lic)の2つの大きな問題に対処する。 我々は,条件付き変分自動エンコーダフレームワークにおけるメタラーニングとオンラインラーニングのアイデアを組み合わせた,licのオンラインメタラーニング(OML)設定を導入する。
  論文  参考訳（メタデータ） (2021-11-16T06:46:23Z)

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。