論文の概要: Personalized QoE Prediction: A Demographic-Augmented Machine Learning Framework for 5G Video Streaming Networks

• arxiv url: http://arxiv.org/abs/2512.12736v1
• Date: Sun, 14 Dec 2025 15:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.408556
• Title: Personalized QoE Prediction: A Demographic-Augmented Machine Learning Framework for 5G Video Streaming Networks
• Title（参考訳）: パーソナライズされたQoE予測: 5Gビデオストリーミングネットワークのためのデモグラフィック強化機械学習フレームワーク
• Authors: Syeda Zunaira Ahmed, Hejab Tahira Beg, Maryam Khalid,
• Abstract要約: 品質・オブ・エクスペリエンス(QoE)予測は現代のマルチメディアシステムにおいて重要な要素である。 本稿では,個人化されたQoE予測のための階層型機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.2315861939664986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quality of Experience (QoE) prediction is a critical component of modern multimedia systems, particularly for adaptive video streaming in 5G networks. Accurate QoE estimation enables intelligent resource management and supports user centric service delivery. Existing QoE prediction approaches primarily rely on limited datasets and assume uniform user perception, which restricts their applicability in heterogeneous real world environments. This paper proposes a demographic aware machine learning framework for personalized QoE prediction. We introduce a behaviorally realistic demographic based data augmentation strategy that expands a small QoE dataset six fold by modeling varying user sensitivities to streaming impairments such as rebuffering, bitrate variation, and quality degradation. Using the augmented dataset, we evaluate a comprehensive set of classical machine learning models alongside advanced deep learning architectures, including an attention-based MLP and TabNet. Experimental results demonstrate significant improvements in prediction accuracy across RMSE, MAE, and R metrics compared to baseline models. Among all evaluated approaches, TabNet achieves the strongest performance, benefiting from its inherent feature selection and attention mechanisms. The results confirm that demographic-aware augmentation substantially enhances QoE prediction robustness and provides a scalable direction for personalized QoE-aware intelligence in 5G video streaming networks.
• Abstract（参考訳）: クオリティ・オブ・エクスペリエンス(QoE)予測は現代のマルチメディアシステム、特に5Gネットワークにおける適応的なビデオストリーミングにおいて重要な要素である。 正確なQoE推定はインテリジェントなリソース管理を可能にし、ユーザ中心のサービス配信をサポートする。 既存のQoE予測アプローチは、主に限られたデータセットに依存し、均一なユーザ認識を仮定し、異質な現実世界環境での適用性を制限する。 本稿では,個人化されたQoE予測のための階層型機械学習フレームワークを提案する。 本稿では,QoEデータセットを6倍に拡張し,ユーザの感性の変化をモデル化し,リバッファリングやビットレート変動,品質劣化などのストリーミング障害をモデル化する。 拡張データセットを用いて、注意ベースのMLPやTabNetを含む高度なディープラーニングアーキテクチャとともに、古典的機械学習モデルの包括的セットを評価する。 実験の結果,RMSE,MAE,Rの予測精度はベースラインモデルと比較して有意に向上した。 評価されたアプローチの中で、TabNetはその固有の機能選択とアテンションメカニズムの恩恵を受け、最強のパフォーマンスを達成した。 その結果,5Gビデオストリーミングネットワークにおいて,QoE予測の堅牢性を大幅に向上させ,個人化されたQoE認識インテリジェンスのためのスケーラブルな方向を提供することを確認した。

関連論文リスト

• Q-Save: Towards Scoring and Attribution for Generated Video Evaluation [65.83319736145869]
  本稿では,AIGV品質の総合評価のためのベンチマークデータセットとモデルであるQ-Saveを紹介する。 データセットには10000近いビデオが含まれており、それぞれにスカラー平均評価スコア(MOS)と微粒な属性ラベルが付与されている。 品質評価と属性に基づく説明を共同で行う統一評価モデルを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:00:21Z)
• QoSGMAA: A Robust Multi-Order Graph Attention and Adversarial Framework for Sparse QoS Prediction [12.037416164995605]
  本稿では,複雑でノイズの多いネットワークサービス環境における予測精度の向上を目的とした新しいアーキテクチャMGAAを提案する。 ユーザとサービス間の複雑な高次相互作用を捉えるために、離散サンプリング手法を用いる。 提案モデルでは,既存のベースライン手法を著しく上回り,サービス選択やレコメンデーションシナリオへの実践的展開の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-27T04:03:28Z)
• 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)
• Machine Learning-Driven Open-Source Framework for Assessing QoE in Multimedia Networks [0.18749305679160366]
  サービスプロバイダは、ユーザの満足度を確保するために、サービスの品質とエクスペリエンスの質(QoE)の高水準を維持しなければなりません。 サービス品質に対するユーザの満足度を反映したQoEは、マルチメディアサービスにとって重要な指標です。 本稿では,マルチメディアネットワークにおけるQoEを客観的に評価するための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） (2024-06-12T18:07:06Z)
• ARRQP: Anomaly Resilient Real-time QoS Prediction Framework with Graph Convolution [0.16317061277456998]
  我々は、データ内の異常に対するレジリエンスを改善することに焦点を当てたリアルタイム予測フレームワーク(ARRQP)を導入する。 ARRQPはコンテキスト情報と協調的な洞察を統合し、ユーザとサービスのインタラクションの包括的な理解を可能にする。 ベンチマークWS-DREAMデータセットの結果は、正確でタイムリーな予測を達成する上で、フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-09-22T04:37:51Z)
• A Control-Centric Benchmark for Video Prediction [69.22614362800692]
  本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。 私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。 次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
  論文  参考訳（メタデータ） (2023-04-26T17:59:45Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Supervised Learning based QoE Prediction of Video Streaming in Future Networks: A Tutorial with Comparative Study [3.4481772445386087]
  本稿では、教師付き学習MLモデルに基づくビデオストリーミングサービスのQoE計測および予測ソリューションの開発と展開に関するチュートリアルを提供する。 本稿では,複数のパフォーマンス指標に基づくビデオストリーミングアプリケーションのQoE予測のための,最先端の教師付き学習MLモデルの比較研究を行う。
  論文  参考訳（メタデータ） (2022-01-03T18:59:46Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)

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。