Apr, 2024

无线边缘多媒体流媒体结构化强化学习

PDF
TL;DR通过使用学习型策略来确定在视频流媒体环境中哪些客户端应该动态优先考虑，以提升用户体验和增加 30% 的 QoE，并使用低计算复杂度的结构化策略进行快速学习。
media streamingwireless edge networkslearning-based policiesconstrained markov decision problemconstrained reinforcement learning
发现论文，激发创造
  • 无线网络中针对 URLLC 流量的风险敏感强化学习

    本研究针对多用户多信道无线网络中 URLLC 流动态信道分配问题，利用有穷时间马尔科夫决策过程框架，提出了一种新的基于风险加权的目标函数，利用值迭代算法和 Q-learning 算法分别求解了完美控制和不知晓 CSI 和信道参数时的最优策略，实验验证了算法的有效性。

    Nov, 2018

  • 基于强化学习的流推理缓存策略管理

    本文提出了一种基于冲突驱动约束学习（CDCL）的方法，通过智能管理学习到的约束条件来有效地更新流推理算法的遗留解决方案，研究了强化学习在连续评估先前计算的约束条件的实用性，并在真实世界的重构问题上取得了显着的性能提升，为流推理场景提供了新的解决思路。

    Aug, 2020

  • 无线网络中动态多通道接入的深度强化学习

    研究多通道接入的问题，应用深度 Q 网络实现对于未知系统动态的自适应学习，以最大化长期回报，通过仿真与实际数据跟踪比较表明该方法在更为复杂的情境下具有最佳性能。

    Feb, 2018

  • 以在线决策为跟踪基础：通过强化学习从实时视频中学习策略

    本文提出了一种基于 POMDP 模型的跟踪算法，该算法使用强化学习算法进行决策，并以稀疏奖励信号为辅助训练，旨在解决跟踪过程中图像模糊和计算资源受限等问题。同时，該算法使用互联网视频数据源进行跟踪器的训练和评估，从而逐步解决跟踪数据不足等问题。

    Jul, 2017

  • 基于强化学习的多源 DASH 自适应和调度方法

    该研究提出了两种源于动态自适应流传输的算法：基于强化学习的自适应与调度算法（RLAGS）和基于强化学习的自适应与调度算法（RLAS）。通过真实轨迹数据的广泛模拟，证明了所提出算法的有效性。

    Jul, 2023

  • 基于优化理论的深度强化学习用于超可靠无线网络控制系统资源分配

    基于优化理论的深度强化学习框架被介绍用于联合设计控制和通信系统，并针对最小化功耗目标，在满足通信系统的调度性和速率约束以及控制系统的稳定性约束的前提下，通过优化理论和深度强化学习两个阶段的组合来实现，该方法在大量的模拟实验中表现出优于优化理论和纯深度强化学习方法的性能，接近最优性能且复杂度较低。

    Nov, 2023

  • 无线网络下动态视频流的体验质量优化

    本文研究了如何通过选择视频质量和发射功率来最小化视频流中断及低质量视频数据包的数量，同时满足 AP 的平均功率约束。作者将问题建模为受限制的马尔可夫决策过程，并证明了最优策略具有阈值结构。

    Sep, 2015

  • 采用强化学习的实时视频调整

    在 Facebook 视频流平台，我们评估最新提出的基于 RL 的自适应比特率算法，采用可扩展的神经网络架构设计，利用贝叶斯优化进行奖励塑形，优化用户体验目标，以应对网络环境的随机性方差。在全球范围内超过 3000 万次视频流会话中，我们的 RL 方法优于现有的人工设计的算法。

    Aug, 2020

  • 密集毫米波网络中延迟优化数据传输的结构化强化学习

    通过利用编码在 RMAB-F 中的内在结构，我们提出了一个结构化强化学习解决方案 mmDPT-TS，最小化了由 AP 的有限服务能力和 AP 与用户之间不可靠无线信道引起的系统平均延迟。

    Apr, 2024

  • LTE 和 NR 的动态频谱共享的深度强化学习

    本文提出一种新型的动态频谱共享方案，并使用深度强化学习算法基于蒙特卡罗树搜索进行资源分配，该方案能够在考虑未来网络状态的情况下执行操作，比当前的其他方案表现更好。

    Feb, 2021