Toward Requested VR QoE Using Multi-Objective Reinforcement Learning
Notice bibliographique
Résumé
Virtual reality (VR) has been viewed as an important application in the coming wireless networks. Nevertheless, it requires both broad bandwidth and low-latency transmission, which places significant pressure on limited wireless resources. Aiming for resource savings while satisfying the various QoE requirements, based on dedicated formulating VR QoE, i.e., the mean opinion score (MOS) of video quality and motion-to-photon (MTP) delay, a QoE-steering (QoE-STR) multi-objective reinforcement learning algorithm is proposed to jointly optimize the field of view (FoV) redundancy, provided video quality, computing resources, and communication resources. The algorithm is tailored to distinct user preferences through multiple basic policies. Then it introduces a QoE-STR policy selection mechanism based on the direction vector toward the requested QoE, making users' achieved QoE approach their respective requested QoE. To reduce the computing complexity, we further develop a distributed QoE-STR (Dist. QoE-STR) algorithm, which can independently allocate wireless resources to each user while guaranteeing the network's overall resource constraints. Simulation results demonstrate the effectiveness of both proposed algorithms and the Dist. QoE-STR performs better since it can independently design the direction vector for each user.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».