Cross-Layer Resource Allocation for Scalable Video Over OFDMA Wireless Networks: Tradeoff Between Quality Fairness and Efficiency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This work addresses the tradeoff between quality fairness and system efficiency for scalable video delivery to multiple users over OFDMA wireless networks. We consider a cross-layer optimization framework seeking to maximize the sum-PSNR corresponding to average user rates, subject to relaxed PSNR-fair constraints. More specifically, a pure quality-fairness (PF) problem is solved first to determine the maximum PSNR value obtained by imposing the same PSNR level to all users. Next the constraints in the PF problem are relaxed by allowing the relative difference between the PSNR of each video and the PF PSNR value to be within some range [0, σ]. Thus, the parameter σ controls the tradeoff between quality fairness and system efficiency. The PF problem is equivalent to the quality fairness problem proposed by Cical`o and Tralli, which was solved using a vertical decomposition approach. Further, we convert the optimization problem with the relaxed fairness constraints into a convex problem and solve it using established techniques. Our simulation results show that by varying the value of σ, a wide range, densely populated, of tradeoff points between quality fairness and efficiency can be achieved. Additionally, a subjective quality assessment reveals that while the maximum efficiency scheme (ME), i.e., when σ = ∞, may compromise the quality of the high demanding videos, the PF scheme may sacrifice the quality of the low demanding videos. On the other hand, by providing a trade-off between PF and ME, the proposed scheme has the potential of finding a middle ground where all users are satisfied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle