論文の概要: Hybrid Feedback-Guided Optimal Learning for Wireless Interactive Panoramic Scene Delivery

• arxiv url: http://arxiv.org/abs/2602.07273v1
• Date: Fri, 06 Feb 2026 23:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.541682
• Title: Hybrid Feedback-Guided Optimal Learning for Wireless Interactive Panoramic Scene Delivery
• Title（参考訳）: 無線インタラクティブパノラマシーン配信のためのハイブリッドフィードバック誘導最適学習
• Authors: Xiaoyi Wu, Juaren Steiger, Bin Li, R. Srikant,
• Abstract要約: バーチャルおよび拡張現実のような没入型アプリケーションは、フレームレート、レイテンシ、同期に厳しい要件を課している。 これらの要件を満たすため、エッジサーバはパノラマコンテンツをレンダリングし、ユーザの頭の動きを予測し、ユーザビューポートをカバーするのに十分な大きさのシーンの一部を送信する必要がある。 各部分は2つのフィードバック信号を生成する: 予測フィードバック、選択された部分が実際のビューポートをカバーするかどうか、および送信フィードバック、および対応するパケットが正常に配信されるかどうかを示す。
• 参考スコア（独自算出の注目度）: 13.030245051813738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Immersive applications such as virtual and augmented reality impose stringent requirements on frame rate, latency, and synchronization between physical and virtual environments. To meet these requirements, an edge server must render panoramic content, predict user head motion, and transmit a portion of the scene that is large enough to cover the user viewport while remaining within wireless bandwidth constraints. Each portion produces two feedback signals: prediction feedback, indicating whether the selected portion covers the actual viewport, and transmission feedback, indicating whether the corresponding packets are successfully delivered. Prior work models this problem as a multi-armed bandit with two-level bandit feedback, but fails to exploit the fact that prediction feedback can be retrospectively computed for all candidate portions once the user head pose is observed. As a result, prediction feedback constitutes full-information feedback rather than bandit feedback. Motivated by this observation, we introduce a two-level hybrid feedback model that combines full-information and bandit feedback, and formulate the portion selection problem as an online learning task under this setting. We derive an instance-dependent regret lower bound for the hybrid feedback model and propose AdaPort, a hybrid learning algorithm that leverages both feedback types to improve learning efficiency. We further establish an instance-dependent regret upper bound that matches the lower bound asymptotically, and demonstrate through real-world trace driven simulations that AdaPort consistently outperforms state-of-the-art baseline methods.
• Abstract（参考訳）: バーチャルおよび拡張現実のような没入型アプリケーションは、物理環境と仮想環境の間のフレームレート、レイテンシ、同期に厳しい要件を課している。 これらの要件を満たすため、エッジサーバはパノラマコンテンツをレンダリングし、ユーザの頭部の動きを予測し、無線帯域制限内に留まりながら、ユーザビューポートをカバーするのに十分な大きさのシーンの一部を送信する必要がある。 各部分は2つのフィードバック信号を生成する: 予測フィードバック、選択された部分が実際のビューポートをカバーするかどうか、および送信フィードバック、および対応するパケットが正常に配信されるかどうかを示す。 従来の作業では、この問題を2段階の盗聴フィードバックを持つマルチアームバンディットとしてモデル化していたが、ユーザヘッドのポーズが観測されると、予測フィードバックがすべての候補部分に対して振り返って計算できるという事実を活用できない。 その結果、予測フィードバックは、包括的フィードバックではなく、完全な情報フィードバックを構成する。 本研究は,全情報と包括的フィードバックを組み合わせた2段階のハイブリッドフィードバックモデルを導入し,この環境下でのオンライン学習課題として部分選択問題を定式化する。 我々は、ハイブリッドフィードバックモデルに対して、インスタンス依存の後悔の少ない境界を導出し、両方のフィードバックタイプを活用して学習効率を向上させるハイブリッド学習アルゴリズムであるAdaPortを提案する。 さらに、下界に漸近的に一致するインスタンス依存の後悔の上界を確立し、AdaPortが一貫して最先端のベースライン法より優れていることを示す実世界のトレース駆動シミュレーションを通して示す。

関連論文リスト

• MAVRL: Learning Reward Functions from Multiple Feedback Types with Amortized Variational Inference [22.19400649559091]
  リワード学習は通常、1つのフィードバックタイプに依存するか、手動で重み付けされた損失用語を使って複数のフィードバックタイプを組み合わせる。 本稿では,共有報酬エンコーダとフィードバック固有確率復号器を学習するスケーラブルな補正変分推論手法を提案する。 共同推論された報酬は単一タイプのベースラインよりも優れ、フィードバックタイプ間の相補的な情報を活用し、環境の摂動に対してより堅牢なポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2026-02-16T21:36:28Z)
• Synthesizing Consistent Novel Views via 3D Epipolar Attention without Re-Training [102.82553402539139]
  大規模な拡散モデルでは、単一画像からの新規なビュー合成において顕著なゼロショット機能を示す。 これらのモデルは、新規および参照ビュー間の一貫性を維持する上で、しばしば課題に直面します。 入力ビューから重なり合う情報の探索と検索にエピポーラ幾何を用いることを提案する。 この情報はターゲットビューの生成に組み込まれ、トレーニングや微調整の必要がなくなる。
  論文  参考訳（メタデータ） (2025-02-25T14:04:22Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
  きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。 粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。 きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
  論文  参考訳（メタデータ） (2024-06-24T17:19:34Z)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• Local Consensus Enhanced Siamese Network with Reciprocal Loss for Two-view Correspondence Learning [35.5851523517487]
  2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。 本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。 我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
  論文  参考訳（メタデータ） (2023-08-06T22:20:09Z)
• Boundary-semantic collaborative guidance network with dual-stream feedback mechanism for salient object detection in optical remote sensing imagery [22.21644705244091]
  二重ストリームフィードバック機構を備えた境界意味協調誘導ネットワーク(BSCGNet)を提案する。 BSCGNetは、近年提案されている17の最先端(SOTA)アプローチよりも優れた、挑戦的なシナリオにおいて、明確なアドバンテージを示している。
  論文  参考訳（メタデータ） (2023-03-06T03:36:06Z)
• Robust Contrastive Learning against Noisy Views [79.71880076439297]
  ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。 提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
  論文  参考訳（メタデータ） (2022-01-12T05:24:29Z)

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。