LiveStream Meta-DAMS: Multipath Scheduler Using Hybrid Meta Reinforcement Learning for Live Video Streaming
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
Overcoming challenges in mobile environments, such as bandwidth constraints, user mobility, and network hand-offs, is crucial for video streaming applications. To address these challenges, we can use multiple network paths to mitigate bandwidth limitations and guarantee end-to-end delay, enhancing the overall quality of experience for the users. This paper presents LiveStream Meta Learning-based Delay Aware Multipath Scheduler (LSMeta-DAMS), a novel learning-based multipath scheduler explicitly designed for live streaming applications. LSMeta-DAMS employs a hybrid meta-reinforcement learning architecture, incorporating both online and offline phases to enhance speed and accuracy for training and decision making. Prioritizing packet scheduling based on frame types and considering the video coding features like group of pictures (GOP), scalable video coding (SVC), and Dynamic Adaptive Streaming over HTTP (MPEG-DASH), LSMeta-DAMS offers a tailored solution for multipath video streaming. Trace-driven emulations highlight its superior performance, demonstrating up to 32% improvement in learning, up to 25% reduction in download time, up to 15% enhancement in video quality assessment, and up to 35% reduction in stalling time compared to the state-of-the-art multipath schedulers. These findings underscore LSMeta-DAMS’s potential to substantially enhance video streaming experiences in highly dynamic network conditions.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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