EAAT: Environment-Aware Adaptive Transmission for Split-Screen Video Streaming
Notice bibliographique
Résumé
With the tremendous growth of video contents and mobility demands, there is a need to develop more personalized video services. Split-screen services, such as picture in picture become more and more popular. Furthermore, the user's viewing environment affects the user's quality of experience (QoE). Therefore, video transmission of split-screen services face several major challenges, such as to quantify the impact of environmental factors on user's QoE; how to assess the user's QoE of the split-screen services; how to choose the bit-rate of each video stream to maximize user's QoE of the split-screen services. To address these challenges, in the paper, an environment-aware adaptive transmission (EAAT) scheme for split-screen video streaming is first presented. Then, we introduce a mathematical model for characterizing user's QoE to be affected by environmental factors in the proposed EAAT. In the model, the QoE of user's relationship with the viewing environment is proposed. Based on the model, a problem of maximizing user's QoE is formulated, and we develop a heuristic algorithm to solve the optimization problem. In addition, we conduct various trace-bandwidth experiments to rigorously evaluate the proposed EAAT scheme in different network environments, and show that EAAT can enrich the video quality while saving network resources.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».