論文の概要: DeLoad: Demand-Driven Short-Video Preloading with Scalable Watch-Time Estimation
- arxiv url: http://arxiv.org/abs/2510.18459v1
- Date: Tue, 21 Oct 2025 09:33:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:13.32355
- Title: DeLoad: Demand-Driven Short-Video Preloading with Scalable Watch-Time Estimation
- Title（参考訳）: DeLoad: スケーラブルなウォッチタイム推定によるオンデマンド駆動のショートビデオプレロード
- Authors: Tong Liu, Zhiwei Fan, Guanyan Peng, Haodan Zhang, Yucheng Zhang, Zhen Wang, Pengjin Xie, Liang Liu,
- Abstract要約: 短いビデオストリーミングはデジタルメディアにおいて支配的なパラダイムとなり、急激なスワイプ操作と多様なメディアコンテンツによって特徴づけられている。
主要な技術的課題は、進化するプレイリストから動的にタスクを選択し、優先順位付けする効果的なプリロード戦略を設計することである。
動的タスクサイズと実用的多次元時計時間推定手法を導入することで,これらの問題に対処する新しいプレロードフレームワークであるDeLoadを提案する。
- 参考スコア（独自算出の注目度）: 14.588333670342102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short video streaming has become a dominant paradigm in digital media, characterized by rapid swiping interactions and diverse media content. A key technical challenge is designing an effective preloading strategy that dynamically selects and prioritizes download tasks from an evolving playlist, balancing Quality of Experience (QoE) and bandwidth efficiency under practical commercial constraints. However, real world analysis reveals critical limitations of existing approaches: (1) insufficient adaptation of download task sizes to dynamic conditions, and (2) watch time prediction models that are difficult to deploy reliably at scale. In this paper, we propose DeLoad, a novel preloading framework that addresses these issues by introducing dynamic task sizing and a practical, multi dimensional watch time estimation method. Additionally, a Deep Reinforcement Learning (DRL) enhanced agent is trained to optimize the download range decisions adaptively. Extensive evaluations conducted on an offline testing platform, leveraging massive real world network data, demonstrate that DeLoad achieves significant improvements in QoE metrics (34.4% to 87.4% gain). Furthermore, after deployment on a large scale commercial short video platform, DeLoad has increased overall user watch time by 0.09% while simultaneously reducing rebuffering events and 3.76% bandwidth consumption.
- Abstract（参考訳）: 短いビデオストリーミングはデジタルメディアにおいて支配的なパラダイムとなり、急激なスワイプ操作と多様なメディアコンテンツによって特徴づけられている。
重要な技術的課題は、進化するプレイリストからダウンロードタスクを動的に選択し、優先順位付けする効果的なプリロード戦略を設計することである。
しかし,実世界の分析では,(1)ダウンロードタスクサイズの動的条件への適応が不十分なこと,(2)大規模展開が困難である監視時間予測モデルなど,既存手法の限界が指摘されている。
本稿では,動的タスクサイズを導入してこれらの問題に対処する新しいプレロードフレームワークであるDeLoadと,実用的な多次元時計時間推定手法を提案する。
さらに、ダウンロード範囲の決定を適応的に最適化するために、Deep Reinforcement Learning (DRL)強化エージェントを訓練する。
オフラインテストプラットフォーム上で実施された大規模な評価は、大規模な現実世界のネットワークデータを活用し、DeLoadがQoEメトリクス(34.4%から87.4%)を大幅に改善したことを示している。
さらに、大規模な商用ショートビデオプラットフォームへのデプロイ後、DeLoadは全体のユーザー監視時間を0.09%増加させ、リバッファリングイベントを同時に削減し、帯域幅を3.76%削減した。
関連論文リスト
- Human-in-the-Loop Bandwidth Estimation for Quality of Experience Optimization in Real-Time Video Communication [16.82306116067726]
リアルタイム通信の帯域幅推定は依然としてオープンな課題である。
そこで本稿では,これらの課題に対処するための帯域幅推定のための,ヒューマン・イン・ザ・ループ(Human-in-the-loop)なデータ駆動フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-14T08:18:30Z) - ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。
推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。
12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
論文 参考訳（メタデータ） (2025-06-02T04:23:21Z) - PreFM: Online Audio-Visual Event Parsing via Predictive Future Modeling [95.2927277964409]
On-AVEP(On-AVEP: Online Audio-Visual Event Parsing)は、入ってくる映像ストリームを逐次解析することで、音声、視覚、視覚イベントを解析するための新しいパラダイムである。
本稿では,(a)予測的マルチモーダル・フューチャー・モデリングが特徴とする予測的未来・モデリング・フレームワークを提案する。
実験により、PreFMは、パラメータが大幅に少ない大きなマージンで最先端の手法を著しく上回ることが示された。
論文 参考訳（メタデータ） (2025-05-29T06:46:19Z) - Scalability Optimization in Cloud-Based AI Inference Services: Strategies for Real-Time Load Balancing and Automated Scaling [1.3689475854650441]
本研究では,クラウドAI推論サービスのための拡張性最適化フレームワークを提案する。
提案モデルは,適応負荷分布に対する強化学習と,正確な需要予測のためのディープニューラルネットワークを組み合わせたハイブリッドアプローチである。
実験の結果,提案モデルでは負荷分散効率を35倍に向上し,応答遅延を28。
論文 参考訳（メタデータ） (2025-04-16T04:00:04Z) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳（メタデータ） (2024-12-30T00:47:49Z) - 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) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - No DBA? No regret! Multi-armed bandits for index tuning of analytical
and HTAP workloads with provable guarantees [9.965853054511163]
本稿では,DBAとクエリオプティマイザを併用したオンラインインデックス選択に対する自律的アプローチを提案する。
我々はその問題を不確実性の下でのシーケンシャルな意思決定の1つと見なしている。
当社のソリューションでは、シフトのスピードアップを最大59%、静的ワークロードのスピードアップを最大51%提供しています。
論文 参考訳（メタデータ） (2021-08-23T12:54:48Z) - 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)
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。