論文の概要: BALANCE: Bitrate-Adaptive Limit-Aware Netcast Content Enhancement Utilizing QUBO and Quantum Annealing

• arxiv url: http://arxiv.org/abs/2509.19616v1
• Date: Tue, 23 Sep 2025 22:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.623477
• Title: BALANCE: Bitrate-Adaptive Limit-Aware Netcast Content Enhancement Utilizing QUBO and Quantum Annealing
• Title（参考訳）: BALANCE:QUBOと量子アニーリングを利用したビットレート適応型限界対応ネットキャストコンテンツの強化
• Authors: Animesh Rajpurohit, Michael Kelley, Wei Wang, Krishna Murthy Kattiyan Ramamoorthy,
• Abstract要約: BALANCEは、視覚的複雑さと予測されるデータ消費に基づいて、インテリジェントにビデオセグメントを事前選択する。 適応ビットレート(ABR)ストリーミングで使用される従来の制約ラグと比較し,QoE(Quality of Experience)の顕著な改善を示す。 この新しい量子アプローチは、限られたデータプランを持つユーザのストリーミング満足度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 2.458169398209534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In an era of increasing data cap constraints, optimizing video streaming quality while adhering to user-defined data caps remains a significant challenge. This paper introduces Bitrate-Adaptive Limit-Aware Netcast Content Enhancement (BALANCE), a novel Quantum framework aimed at addressing this issue. BALANCE intelligently pre-selects video segments based on visual complexity and anticipated data consumption, utilizing the Video Multimethod Assessment Fusion (VMAF) metric to enhance Quality of Experience (QoE). We compare our method against traditional bitrate ladders used in Adaptive Bitrate (ABR) streaming, demonstrating a notable improvement in QoE under equivalent data constraints. We compare the Slack variable approach with the Dynamic Penalization Approach (DPA) by framing the bitrate allocation problem through Quadratic Unconstrained Binary Optimization (QUBO) to effectively enforce data limits. Our results indicate that the DPA consistently outperforms the Slack Variable Method, delivering more valid and optimal solutions as data limits increase. This new quantum approach significantly enhances streaming satisfaction for users with limited data plans.
• Abstract（参考訳）: データキャップの制約が増大する中で、ユーザ定義データキャップに固執しながら、ビデオストリーミングの品質を最適化することは、依然として大きな課題である。 本稿では,この問題に対処するための新しい量子フレームワークであるBitrate-Adaptive Limit-Aware Netcast Content Enhancement (BALANCE)を紹介する。 BALANCEは、ビデオ・マルチメソッド・アセスメント・フュージョン(VMAF)を使用して、視覚的複雑さと予測されるデータ消費に基づいて、ビデオセグメントをインテリジェントに事前選択し、Quality of Experience(QoE)を強化する。 本稿では,アダプティブビットレート(ABR)ストリーミングで使用される従来のビットレートラグと比較し,等価データ制約下でのQoEの顕著な改善を示す。 データ制限を効果的に実施するために、Quadratic Unconstrained Binary Optimization (QUBO)を通してビットレート割り当て問題をフレーミングすることで、Slack変数アプローチをDynamic Penalization Approach (DPA)と比較する。 我々の結果は、DPAが一貫してSlack Variable Methodより優れており、データ制限が増加するにつれて、より有効で最適なソリューションを提供しています。 この新しい量子アプローチは、限られたデータプランを持つユーザのストリーミング満足度を大幅に向上させる。

関連論文リスト

• PMQ-VE: Progressive Multi-Frame Quantization for Video Enhancement [83.89668902758243]
  多フレームビデオ強調タスクは、ビデオシーケンスの空間的および時間的解像度と品質を改善することを目的としている。 映像強調のためのプログレッシブマルチフレーム量子化(PMQ-VE)を提案する。 このフレームワークは、バックトラックベースマルチフレーム量子化(BMFQ)とプログレッシブマルチ教師蒸留(PMTD)という、粗大な2段階のプロセスを備えている。
  論文  参考訳（メタデータ） (2025-05-18T07:10:40Z)
• Plug-and-Play Versatile Compressed Video Enhancement [57.62582951699999]
  ビデオ圧縮はファイルのサイズを効果的に削減し、リアルタイムのクラウドコンピューティングを可能にする。 しかし、それは視覚的品質の犠牲となり、下流の視覚モデルの堅牢性に挑戦する。 本稿では,異なる圧縮条件下で動画を適応的に拡張する多言語対応拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T18:39:31Z)
• Semantic-Aware Adaptive Video Streaming Using Latent Diffusion Models for Wireless Networks [12.180483357502293]
  本稿では,遅延拡散モデル(LDM)をFF手法に組み込んだリアルタイム適応ビットレートビデオストリーミングのための新しいフレームワークを提案する。 提案手法はLDMを利用してIフレームを潜在空間に圧縮し,ストレージとセマンティックトランスミッションの大幅な節約を実現する。 この作業は、5Gおよび将来の5Gネットワークにおけるスケーラブルなリアルタイムビデオストリーミングの新たな可能性を開く。
  論文  参考訳（メタデータ） (2025-02-08T21:14:28Z)
• Deep Learning-Based Real-Time Rate Control for Live Streaming on Wireless Networks [31.285983939625098]
  エンコーダパラメータのサブ最適選択は、帯域幅による映像品質の低下や、パケットロスによるアーティファクトの導入につながる可能性がある。 リアルタイム深層学習に基づくH.264コントローラが提案され、最適エンコーダパラメータをリアルタイムに無視可能な遅延で動的に推定する。 注目すべきは、PSNRの10-20dBの改善と、最先端の適応型ビデオストリーミングの再現を実現し、パケットのドロップレートを0.002まで下げることである。
  論文  参考訳（メタデータ） (2023-09-27T17:53:35Z)
• Improving information retention in large scale online continual learning [99.73847522194549]
  オンライン連続学習は、既存の知識を維持しながら、新しいデータに効率的に適応することを目的としている。 最近の研究は、リプレイバッファが無制限であっても、大規模なOCLでは情報保持が問題であり続けていることを示唆している。 非定常目標に対する最適化を改善するため,移動平均の手法群を提案する。
  論文  参考訳（メタデータ） (2022-10-12T16:59:43Z)
• Accelerating Deep Reinforcement Learning With the Aid of Partial Model: Energy-Efficient Predictive Video Streaming [97.75330397207742]
  深層強化学習を用いて,モバイルネットワーク上でのエネルギー効率の高いビデオストリーミングのための予測電力割り当てを考案した。 連続状態と行動空間を扱うために、我々はDeep Deterministic Policy gradient (DDPG)アルゴリズムを利用する。 シミュレーションの結果,提案手法は完全大規模チャネル予測に基づいて導出される最適方針に収束することが示された。
  論文  参考訳（メタデータ） (2020-03-21T17:36:53Z)
• 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。