論文の概要: Machine Learning Technique Predicting Video Streaming Views to Reduce
Cost of Cloud Services
- arxiv url: http://arxiv.org/abs/2210.09078v1
- Date: Mon, 17 Oct 2022 13:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 16:56:32.589116
- Title: Machine Learning Technique Predicting Video Streaming Views to Reduce
Cost of Cloud Services
- Title（参考訳）: クラウドサービスのコスト削減を目的としたビデオストリーミングビュー予測のための機械学習技術
- Authors: Mahmoud Darwich
- Abstract要約: 本稿では,ビデオの人気予測を利用してストレージコストを算出するアルゴリズムを提案する。
実験の結果、すべてのビデオストリームの保存と比較してクラウドサービスのコストが15%削減された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video streams tremendously occupied the highest portion of online traffic.
Multiple versions of a video are created to fit the user's device
specifications. In cloud storage, Keeping all versions of frequently accessed
video streams in the repository for the long term imposes a significant cost
paid by video streaming providers. Generally, the popularity of a video changes
each period of time, which means the number of views received by a video could
be dropped, thus, the video must be deleted from the repository. Therefore, in
this paper, we develop a method that predicts the popularity of each video
stream in the repository in the next period. On the other hand, we propose an
algorithm that utilizes the predicted popularity of a video to compute the
storage cost, and then it decides whether the video will be kept or deleted
from the cloud repository. The experiment results show a cost reduction of the
cloud services by 15% compared to keeping all video streams.
- Abstract（参考訳）: ビデオストリームはオンライントラフィックの最も高い部分を占めていた。
ビデオの複数のバージョンがユーザーのデバイス仕様に適合するように作成される。
クラウドストレージでは、レポジトリ内で頻繁にアクセスされるビデオストリームのすべてのバージョンを長期にわたって保持することは、ビデオストリーミングプロバイダが支払うかなりのコストを課す。
一般的には、ビデオの人気は一定時間ごとに変化するため、ビデオが受信したビューの数を減少させることができるため、ビデオはリポジトリから削除される必要がある。
そこで本稿では,リポジトリ内の各ビデオストリームの人気を次の期間に予測する手法を提案する。
一方,ビデオの人気予測を利用してストレージコストを計算し,クラウドリポジトリからビデオが保存されるか削除されるかを決定するアルゴリズムを提案する。
実験の結果、すべてのビデオストリームの保存と比較してクラウドサービスのコストが15%削減された。
関連論文リスト
- Adaptive Caching for Faster Video Generation with Diffusion Transformers [52.73348147077075]
拡散変換器(DiT)はより大きなモデルと重い注意機構に依存しており、推論速度が遅くなる。
本稿では,Adaptive Caching(AdaCache)と呼ばれる,ビデオDiTの高速化のためのトレーニング不要手法を提案する。
また,AdaCache内で動画情報を利用するMoReg方式を導入し,動作内容に基づいて計算割り当てを制御する。
論文 参考訳（メタデータ） (2024-11-04T18:59:44Z) - Predicting total time to compress a video corpus using online inference systems [2.172486053070161]
ビデオコーパスの集約時間予測の精度は、クリップごとの予測の2倍以上に向上した。
コーパスの各分数に対するビデオ計算オーバーヘッドとML予測器の適切な選択を考慮すると、5%未満の予測誤差が得られる。
論文 参考訳（メタデータ） (2024-10-23T20:21:53Z) - Streaming Long Video Understanding with Large Language Models [83.11094441893435]
VideoStreamingは、ビデオ理解のための高度な視覚言語大モデル(VLLM)である。
一定の数のビデオストリーミングトークンを符号化し、伝播的に選択した任意の長さのビデオを理解することができる。
提案モデルは,長大なビデオベンチマークにおいて,優れた性能と高効率を実現する。
論文 参考訳（メタデータ） (2024-05-25T02:22:09Z) - Streaming Dense Video Captioning [85.70265343236687]
濃密なビデオキャプションのための理想的なモデルは、長い入力ビデオを扱うことができ、リッチで詳細なテキスト記述を予測できる。
現在の最先端モデルは、一定の数のダウンサンプルフレームを処理し、ビデオ全体を見た後、単一の完全な予測を行う。
本稿では,2つの新しいコンポーネントからなるストリーミング高密度動画キャプションモデルを提案する。
論文 参考訳（メタデータ） (2024-04-01T17:59:15Z) - Video Generation Beyond a Single Clip [76.5306434379088]
ビデオ生成モデルは、実際のビデオの長さと比較して比較的短いビデオクリップしか生成できない。
多様なコンテンツや複数のイベントをカバーした長いビデオを生成するために,ビデオ生成プロセスを制御するための追加のガイダンスを提案する。
提案手法は、固定時間ウィンドウ内でリアルな映像を生成することに焦点を当てた、既存の映像生成の取り組みを補完するものである。
論文 参考訳（メタデータ） (2023-04-15T06:17:30Z) - Speeding Up Action Recognition Using Dynamic Accumulation of Residuals
in Compressed Domain [2.062593640149623]
ビデオ処理アルゴリズムに関して、時間的冗長性と生ビデオの重大性は、最も一般的な2つの問題である。
本稿では,光部分復号処理によって得られる圧縮ビデオで直接利用できる残差データの利用法を提案する。
圧縮された領域に蓄積された残留物にのみニューラルネットワークを適用することで、性能が向上する一方、分類結果は生のビデオアプローチと非常に競合する。
論文 参考訳（メタデータ） (2022-09-29T13:08:49Z) - VPN: Video Provenance Network for Robust Content Attribution [72.12494245048504]
VPN - オンラインで共有されているビデオから出典情報を復元するコンテンツ属性手法を提案する。
完全長あるいは切り離されたビデオクエリを用いて,このようなビデオのマッチングに頑健な検索埋め込みを学習する。
一度ビデオクリップの信頼できるデータベースにマッチすると、そのクリップの出所に関する関連情報がユーザに提示される。
論文 参考訳（メタデータ） (2021-09-21T09:07:05Z) - Self-Conditioned Probabilistic Learning of Video Rescaling [70.10092286301997]
本稿では,ビデオ再スケーリングのための自己条件付き確率的フレームワークを提案し,ペアダウンスケーリングとアップスケーリングの手順を同時に学習する。
我々は、その条件付き確率を強い時空間事前情報に基づいて最大化することにより、ダウンスケーリングで失われた情報のエントロピーを減少させる。
我々は、このフレームワークを、非微分産業損失コーデックの勾配推定器として提案する、損失のあるビデオ圧縮システムに拡張する。
論文 参考訳（メタデータ） (2021-07-24T15:57:15Z)
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。