Fugu-MT 論文翻訳(概要): Reinforcement Learning -based Adaptation and Scheduling Methods for Multi-source DASH

論文の概要: Reinforcement Learning -based Adaptation and Scheduling Methods for Multi-source DASH

arxiv url: http://arxiv.org/abs/2308.11621v1
Date: Tue, 25 Jul 2023 06:47:12 GMT
ステータス: 処理完了
システム内更新日: 2023-08-27 04:58:33.126308
Title: Reinforcement Learning -based Adaptation and Scheduling Methods for Multi-source DASH
Title（参考訳）: 強化学習に基づくマルチソースDASHの適応とスケジューリング手法
Authors: Nghia T. Nguyen, Long Luu, Phuong L. Vo, Thi Thanh Sang Nguyen, Cuong T. Do, Ngoc-thanh Nguyen
Abstract要約: HTTP(DASH)上の動的適応ストリーミングは、最近ビデオストリーミングで広く使われている。マルチソースストリーミングでは、ネットワークパスの異なる条件のために、ビデオチャンクが順番に到着する可能性がある。本稿では,複数のソースからストリーミングする2つのアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 1.1971219484941955
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dynamic adaptive streaming over HTTP (DASH) has been widely used in video streaming recently. In DASH, the client downloads video chunks in order from a server. The rate adaptation function at the video client enhances the user's quality-of-experience (QoE) by choosing a suitable quality level for each video chunk to download based on the network condition. Today networks such as content delivery networks, edge caching networks, content-centric networks,... usually replicate video contents on multiple cache nodes. We study video streaming from multiple sources in this work. In multi-source streaming, video chunks may arrive out of order due to different conditions of the network paths. Hence, to guarantee a high QoE, the video client needs not only rate adaptation but also chunk scheduling. Reinforcement learning (RL) has emerged as the state-of-the-art control method in various fields in recent years. This paper proposes two algorithms for streaming from multiple sources: RL-based adaptation with greedy scheduling (RLAGS) and RL-based adaptation and scheduling (RLAS). We also build a simulation environment for training and evaluating. The efficiency of the proposed algorithms is proved via extensive simulations with real-trace data.
Abstract（参考訳）: HTTP(DASH)上の動的適応ストリーミングは、最近ビデオストリーミングで広く使われている。 dashでは、クライアントはサーバから順番にビデオチャンクをダウンロードする。ビデオクライアントのレート適応機能は、ネットワーク条件に基づいてダウンロードするビデオチャンク毎の適切な品質レベルを選択することにより、ユーザのqoe(quality-of-experience)を高める。今日、コンテンツ配信ネットワーク、エッジキャッシュネットワーク、コンテンツ中心ネットワークなどのネットワークは、通常、複数のキャッシュノードでビデオコンテンツを複製する。本研究では,複数のソースからの映像ストリーミングについて検討する。マルチソースストリーミングでは、ネットワークパスの条件が異なるため、ビデオチャンクが順序を外れる可能性がある。したがって、高いqoeを保証するために、ビデオクライアントはレート適応だけでなくチャンクスケジューリングも必要である。近年, 各種分野における最先端制御手法として強化学習(RL)が登場している。本稿では,複数のソースからストリーミングを行うための2つのアルゴリズムを提案する。rl-based adaptation with greedy scheduling (rlags) とrl-based adaptation and scheduling (rlas) である。トレーニングや評価のためのシミュレーション環境も構築しています。提案アルゴリズムの効率は,実測データを用いた広範囲なシミュレーションにより証明された。

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)
Learning from One Continuous Video Stream [70.30084026960819]
1つの連続ビデオストリームからオンライン学習のためのフレームワークを導入する。連続するビデオフレーム間の高い相関を考えると、これは大きな課題となる。プリトレーニングとシングルストリーム評価を切り替える実用的で柔軟な方法として,ピクセル・ツー・ピクセル・モデリングを採用している。
論文参考訳（メタデータ） (2023-12-01T14:03:30Z)
DeePref: Deep Reinforcement Learning For Video Prefetching In Content Delivery Networks [0.06138671548064355]
本稿では,Deep Reinforcement Learning Agent for online video content prefetching in Content Delivery Networksを提案する。この結果から,実世界のデータセットを用いたDeePref DRQNは,前処理精度が17%,前処理カバレッジが平均で28%向上することがわかった。
論文参考訳（メタデータ） (2023-10-11T20:45:46Z)
MIST: Multi-modal Iterative Spatial-Temporal Transformer for Long-form Video Question Answering [73.61182342844639]
我々は,MIST(Multi-modal Iterative Spatial-temporal Transformer)と呼ばれる新しいモデルを導入する。 MISTは、従来の密集時空間自己アテンションをカスケードセグメントと領域選択モジュールに分解する。異なる粒度の視覚概念は、アテンションモジュールを通して効率的に処理される。
論文参考訳（メタデータ） (2022-12-19T15:05:40Z)
Efficient Meta-Tuning for Content-aware Neural Video Delivery [40.3731358963689]
計算コストを削減するために,EMT(Efficient Meta-Tuning)を提案する。 EMTは入力ビデオの最初のチャンクにメタ学習モデルを適用する。本稿では,ビデオフレームから最も困難なパッチを抽出するための新しいサンプリング手法を提案する。
論文参考訳（メタデータ） (2022-07-20T06:47:10Z)
Overfitting the Data: Compact Neural Video Delivery via Content-aware Feature Modulation [38.889823516049056]
ビデオはチャンクに分割し、LRビデオチャンクと対応するコンテンツ認識モデルをクライアントにストリームする。提案手法では,各ビデオチャンクのストリーミングには1ドル未満のオリジナルパラメータしか必要とせず,より優れたSR性能を実現している。
論文参考訳（メタデータ） (2021-08-18T15:34:11Z)
Multi-Density Attention Network for Loop Filtering in Video Compression [9.322800480045336]
ビデオ圧縮におけるループフィルタリングのためのオンラインスケーリングに基づく多密度注意ネットワークを提案する。実験の結果、同じビデオ品質で10.18%のビットレート削減が最新のVVC(Versatile Video Coding)規格で達成できることが示された。
論文参考訳（メタデータ） (2021-04-08T05:46:38Z)
Masked Contrastive Representation Learning for Reinforcement Learning [202.8261654227565]
コントラスト学習を用いて個々のビデオフレームの原画素から高次特徴を抽出するCURLは,効率的なアルゴリズムである。本稿では,連続した入力間の相関を考慮に入れたRLのための新しいアルゴリズム,マスク付きコントラスト表現学習を提案する。 DMControlスイートの16ドル環境中14ドル,Atari 2600 Gamesの26ドル環境中21ドル環境中26ドル環境中24ドルで,CURLに対する一貫した改善を実現している。
論文参考訳（メタデータ） (2020-10-15T02:00:10Z)
Scene-Adaptive Video Frame Interpolation via Meta-Learning [54.87696619177496]
テスト時に容易に利用できる追加情報を利用することで、各ビデオにモデルを適用することを提案する。追加パラメータを使わずに1つの勾配更新しか行わず、大幅な性能向上が得られます。
論文参考訳（メタデータ） (2020-04-02T02:46:44Z)
Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video Streaming over HTTP [89.30855958779425]
Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
論文参考訳（メタデータ） (2019-12-27T01:19:14Z)

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。