論文の概要: ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality

• arxiv url: http://arxiv.org/abs/2609.04493v1
• Date: Thu, 03 Sep 2026 21:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.833173
• Title: ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality
• Title（参考訳）: ResLearn-XR:Residual Learning for Network Traffic and Quality of-Aware Modeling in Extended Reality
• Abstract要約: ResLearn-XRは、ネットワークトラフィックを予測し、QoE(Quality-of-Experience)リスクを推定するための残留学習フレームワークである。 本稿では,パケットレベルのアプリケーション層オブザーバブルをフレーム入力対応ディスクリプタに変換するデータ記述アルゴリズム(DDA)を提案する。 また、セッションレベルのQoEラベルと連続したXRトラフィックトレースをペアリングするXR Traffic-QoEデータセットを構築した。
• 参考スコア（独自算出の注目度）: 13.277375701016604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ResLearn-XR, a residual learning framework for predicting eXtended Reality (XR) network traffic and estimating Quality-of-Experience (QoE) risk. ResLearn-XR adopts a two-stage temporal learning structure comprising a base sequence prediction model augmented with task-specific residual learning components to improve adaptability to bursty, non-stationary XR traffic dynamics. The residual learning stages operate in the value space for continuous XR traffic forecasting and in the logit space for probabilistic QoE risk estimation. \rev{For the QoE-risk branch, we introduce a Data Descriptor Algorithm (DDA), a causal feature-construction module that converts packet-level application-layer observables into frame-timing-aware descriptors suitable for encrypted traffic analysis. We also construct an XR Traffic-QoE dataset that pairs continuous XR traffic traces with session-level user-reported QoE labels. ResLearn-XR reduces SMAPE by up to 17.84% across frame-count, frame-size, and inter-arrival-time prediction, while reducing QoE-risk estimation SMAPE by up to 87.8% over single-stage baselines.
• Abstract（参考訳）: 本稿では,eXtended Reality(XR)ネットワークトラフィックを予測し,QoE(Quality-of-Experience)リスクを推定するための残留学習フレームワークであるResLearn-XRを提案する。 ResLearn-XRは、タスク固有の残留学習要素を付加したベースシーケンス予測モデルを含む2段階の時間学習構造を採用し、バーストのない非定常XRトラフィックダイナミクスへの適応性を向上させる。 残差学習段階は、連続XRトラフィック予測のための値空間と、確率的QoEリスク推定のためのロジット空間で動作する。 In the QoE-risk branch, we introduced a Data Descriptor Algorithm (DDA), a causal feature-construction module that converts packet-level application-layer observables to frame-timing-aware descriptors suitable for encryption traffic analysis。 また、セッションレベルのQoEラベルと連続したXRトラフィックトレースをペアリングするXR Traffic-QoEデータセットを構築した。 ResLearn-XRはフレーム数、フレームサイズ、時間間隔の予測でSMAPEを最大17.84%削減し、QoEリスク推定SMAPEを最大87.8%削減する。

関連論文リスト

• X-RACE: XAI-assisted Recurrent neural network Attribution for Channel Estimation [0.2578242050187029]
  本稿では、チャネル推定(X-RACE)フレームワークのためのXAI支援リカレントニューラルネットワークを提案する。 X-RACEは、低複雑さで単発のデュアル最適化戦略を使用して、無関係な入力サブキャリアと内部隠れユニットを同時に評価およびプーンする。 大規模なシミュレーションにより、X-RACEは推論の複雑さを少なくとも44.1%減らし、ビットエラーレート(BER)のパフォーマンスを改善または保存することを示した。
  論文  参考訳（メタデータ） (2026-09-10T08:15:01Z)
• Multi-Agent Transformer for Queue-Level XR Traffic Scheduling in TSN Networks [3.6371794661986816]
  Time-Sensitive Networking (TSN) と Mobile Edge Computing (MEC) は、超信頼性の高い低レイテンシ通信を実現する強力な可能性を持っている。 XRトラフィックタイプは、タイミング要求の観点から異なる特徴と臨界性を持っている。 待ち行列レベルのXRトラフィックスケジューリングのためのマルチエージェント強化学習手法を提案する。
  論文  参考訳（メタデータ） (2026-08-05T18:57:24Z)
• Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
  繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
  論文  参考訳（メタデータ） (2026-06-21T12:14:11Z)
• EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
  本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。 提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。 このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
  論文  参考訳（メタデータ） (2026-04-06T23:35:15Z)
• Resilient Routing: Risk-Aware Dynamic Routing in Smart Logistics via Spatiotemporal Graph Learning [4.230025065044209]
  本稿では,時空間グラフニューラルネットワーク(ST-GNN)と最適化を統合したリスク対応動的ルーティング(RADR)フレームワークを提案する。 RADRアルゴリズムはサプライチェーンのレジリエンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-20T06:06:35Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [54.34189781923818]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。