Asynchronous DRL-based Bitrate Selection for 360- Degree Video Streaming over THz Wireless Systems
Notice bibliographique
Résumé
360° videos demand substantial bandwidth to deliver an immersive viewing experience to users. In wireless networks, this high data rate demand can be accommodated by utilizing the terahertz (THz) frequency band. However, THz band communications are susceptible to self-blockage. To ensure reliable transmission, this paper studies the streaming of <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$360^{\circ}$</tex> videos over THz wireless systems using multiple multi-antenna access points (APs). Users' requests for video tiles give rise to an optimization problem that involves asynchronous bitrate selection for those tiles and beamforming design for the APs. We formulate this problem as a macro-action decentralized partially observable Markov decision process (MacDec-POMDP). To efficiently tackle this problem for multiple users, we propose an asynchronous deep reinforcement learning (DRL) algorithm using a multi-agent actor-critic method to determine the bitrate selection policy. The APs' beamforming is determined by solving an optimization problem using the weighted minimum mean square error (WMMSE) algorithm. Results show that our proposed approach provides a higher average quality of experience (QoE) for the users when compared with two benchmark algorithms.
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 | 0,001 | 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 | 0,001 | 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 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 ».