論文の概要: ML-powered KQI estimation for XR services. A case study on 360-Video
- arxiv url: http://arxiv.org/abs/2212.12002v1
- Date: Thu, 8 Dec 2022 17:30:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 14:24:04.991910
- Title: ML-powered KQI estimation for XR services. A case study on 360-Video
- Title（参考訳）: MLを用いたXRサービスのKQI推定
360-Videoのケーススタディ
- Authors: O. S. Pe\~naherrera-Pulla and Carlos Baena and Sergio Fortes and
Raquel Barco
- Abstract要約: 本研究は,サービスキー品質指標(KQI)の推定を可能にするMLベースのフレームワークを提案する。
そのため、これらのネットワークからの統計や設定パラメータなど、演算子に到達可能な情報のみが必要となる。
この作業は、ネットワークスライシング、仮想化、MECと連携して、E2E-Quality-of-Experienceベースのネットワーク管理のベースラインとして役立ちます。
- 参考スコア（独自算出の注目度）: 0.34410212782758043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The arise of cutting-edge technologies and services such as XR promise to
change the concepts of how day-to-day things are done. At the same time, the
appearance of modern and decentralized architectures approaches has given birth
to a new generation of mobile networks such as 5G, as well as outlining the
roadmap for B5G and posterior. These networks are expected to be the enablers
for bringing to life the Metaverse and other futuristic approaches. In this
sense, this work presents an ML-based (Machine Learning) framework that allows
the estimation of service Key Quality Indicators (KQIs). For this, only
information reachable to operators is required, such as statistics and
configuration parameters from these networks. This strategy prevents operators
from avoiding intrusion into the user data and guaranteeing privacy. To test
this proposal, 360-Video has been selected as a use case of Virtual Reality
(VR), from which specific KQIs are estimated such as video resolution, frame
rate, initial startup time, throughput, and latency, among others. To select
the best model for each KQI, a search grid with a cross-validation strategy has
been used to determine the best hyperparameter tuning. To boost the creation of
each KQI model, feature engineering techniques together with cross-validation
strategies have been used. The performance is assessed using MAE (Mean Average
Error) and the prediction time. The outcomes point out that KNR (K-Near
Neighbors) and RF (Random Forest) are the best algorithms in combination with
Feature Selection techniques. Likewise, this work will help as a baseline for
E2E-Quality-of-Experience-based network management working in conjunction with
network slicing, virtualization, and MEC, among other enabler technologies.
- Abstract（参考訳）: 最先端の技術やxrのようなサービスは、日々の物事のやり方の概念を変えることを約束している。
同時に、近代的で分散化されたアーキテクチャのアプローチの出現は、5Gのような新しい世代のモバイルネットワークを生み出し、B5Gと後方のロードマップを概説している。
これらのネットワークはメタバースや他の未来的なアプローチを生かすための有効性として期待されている。
この意味で、この研究は、サービスキー品質指標(KQI)の推定を可能にするMLベースの(マシーンラーニング)フレームワークを提示します。
このため、これらのネットワークからの統計や構成パラメータなど、オペレータに到達可能な情報のみが必要である。
この戦略により、オペレータがユーザデータへの侵入を避け、プライバシを保証できる。
この提案をテストするために、360-VideoはVR(Virtual Reality)のユースケースとして選択され、ビデオ解像度、フレームレート、初期起動時間、スループット、レイテンシなど、特定のKQIが推定される。
KQI毎に最適なモデルを選択するために、クロスバリデーション戦略を持つ検索グリッドを用いて、最適なハイパーパラメータチューニングを決定する。
各KQIモデルの作成を促進するため、クロスバリデーション戦略とともに機能エンジニアリング技術が使用されている。
性能はmae(平均誤差)と予測時間を用いて評価される。
その結果,KNR (K-Near Neighbors) とRF (Random Forest) が特徴選択法と組み合わせて最適なアルゴリズムであることが示唆された。
同様に、この作業は、ネットワークスライシング、仮想化、MECなど、E2E-Quality-of-Experienceベースのネットワーク管理のベースラインとして役立つだろう。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Satellite Streaming Video QoE Prediction: A Real-World Subjective Database and Network-Level Prediction Models [59.061552498630874]
LIVE-Viasat Real-World Satellite QoE Databaseを紹介する。
このデータベースは、現実世界のストリーミングサービスから記録された179のビデオで構成されている。
本稿では,QoE予測モデルの有効性を評価することで,この新たな資源の有用性を実証する。
また、ネットワークパラメータを予測された人間の知覚スコアにマッピングする新しいモデルを作成しました。
論文 参考訳（メタデータ） (2024-10-17T18:22:50Z) - Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment [8.853779271331508]
オフロードプロセスを最適化する効果的な方法の1つは、送信時間を最小化することである。
これはVehicular Adhoc Network(VANET)において特に当てはまり、車両はHD(High-Definition)マップデータを頻繁にダウンロードしてアップロードする。
論文 参考訳（メタデータ） (2024-07-19T12:40:07Z) - MADRL-Based Rate Adaptation for 360° Video Streaming with Multi-Viewpoint Prediction [3.8611070161950916]
360degビデオ再生の鍵となる課題は、ネットワーク帯域幅が制限された高品質なエクスペリエンス(QoE)を保証することである。
現在、ほとんどの研究は、単一のビューポート予測に基づいてタイルベースの適応型ストリーミング(ABR)に焦点を当てている。
本稿ではまず,複数の視点軌跡を歴史的軌跡として生成する多モード空間的注意変換器を提案する。
その後,360degビデオストリーミングのための多視点予測を用いたマルチエージェントディープ強化学習(MADRL)に基づくABRアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-13T13:59:59Z) - A Novel Approach for Machine Learning-based Load Balancing in High-speed
Train System using Nested Cross Validation [0.6138671548064356]
近年,高速列車を含む様々な分野において,第5世代(5G)移動通信網が出現している。
クロスバリデーション方式を用いた機械学習(ML)による高速列車システムのシステム性能をモデル化する。
論文 参考訳（メタデータ） (2023-10-02T09:24:10Z) - Programmable and Customized Intelligence for Traffic Steering in 5G
Networks Using Open RAN Architectures [16.48682480842328]
5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。
無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。
クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-28T15:31:06Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳（メタデータ） (2021-05-27T13:51:42Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - A Machine Learning based Framework for KPI Maximization in Emerging
Networks using Mobility Parameters [3.6671455337053573]
現在のLTEネットワークは、多くの設定と最適化パラメータに直面している。
5Gでは、これらのCOPの数はサイト当たり2000に達すると予測されている。
本稿では,2つの関連するCOPの最適組み合わせを発見するための手法と組み合わせた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） (2020-05-04T13:28:04Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。