机构名称：
¥ 1.0
摘要视频会议系统为最终用户提供的经验质量（QOE）部分取决于正确估计发件人和接收器之间的瓶颈链接的能力。实时通信（RTC）的带宽估计仍然是一个重要的挑战，这主要是由于不断发展的杂项网络架构和技术。从ACM MMSYS 2021举办的第一个带宽估计挑战中，我们了解到，在模拟中训练经过加固学习（RL）训练的带宽估计模型，以最大程度地提高基于网络的奖励功能，这可能是现实中的选择，因为SIMP-to-to-Real差距和与用户perce perce perce perce perce perce perce qoe qoe的难以使基于网络的奖励难以使基于网络的奖励变得良好。这个盛大的挑战旨在通过使用离线RL和一个现实世界中的数据集将奖励最大化与具有高度相关性的Microsoft团队中的主观音频/视频质量相关的真实奖励数据集来提高带宽估计模型设计。提交给大挑战的所有模型在我们的仿真平台上进行了初步评估。对于在各种网络条件下进行临时波动的全面评估，通过使用每个模型在12天的时间内对我们的地理分布式测试台进行了进一步评估，在我们的地理分布式测试中进行了进一步评估。获胜模型显示出可与发布数据集中的顶级行为策略提供可比的性能。通过利用现实世界数据并将客观的音频/视频质量分数作为奖励，离线RL可以促进RTC的竞争带宽估计器的开发。
ACM MMSYS 2024实时通信挑战中的带宽估计
主要关键词
相关文件推荐
