XiaoMi-AI文件搜索系统
World File Search SystemQoE
基于认知状态的 QoE/UX 评估的系统评价
摘要：传统的用户体验评估本质上是主观的，因为我们寻求的是使用来自生理和行为传感器的数据来解释用户的认知状态与图形界面元素和交互机制之间的关系。本研究介绍了系统评价，该评价旨在确定在体验质量 (QoE)/用户体验 (UX) 评估背景下正在研究的认知状态，以及获得的信号和特征、使用的机器学习模型、提出的评估架构和取得的结果。从 8 个在线信息源中选出了 2014 年至 2019 年发表的 29 篇论文，其中 24% 与认知状态的分类有关，17% 描述了评估架构，41% 展示了不同信号、认知状态和 QoE/UX 指标之间的相关性。与其他背景下的认知状态研究（例如驾驶或其他关键活动）相比，已确定的研究数量较少；然而，这为从各种人类信号中分析和解释心理工作负荷、困惑和心理压力等状态提供了一个起点，并提出了更强大的 QoE/UX 评估架构。
迈向 B5G/6G 网络中 QoE 预测的可信人工智能
摘要 预测体验质量 (QoE) 指标的能力对于未来 B5G/6G 网络提供的多种应用和服务至关重要。然而，QoE 时间序列预测迄今为止尚未得到充分研究，主要是因为缺乏可用的真实数据集。在本文中，我们首先介绍了一种从真实的 5G 网络模拟中获得的新型 QoE 预测数据集，该数据集以视频流应用的服务质量 (QoS) 和 QoE 指标为特征；然后，我们接受了在采用 AI 系统解决 QoE 预测任务时可信度的热门挑战。我们展示了如何有效利用可解释人工智能 (XAI) 模型（即决策树）来解决预测问题。最后，我们将联邦学习确定为隐私保护协作模型训练的合适范例，并从算法和 6G 网络支持的角度概述了相关挑战。
使用 AI 确保流媒体视频的观看体验
人工智能 (AI) 领域已经发展到能够提供内容提供商、网络运营商、终端供应商、系统设计人员等数十年来一直寻求的那种自动视频质量分析 (VQA) 的地步。它采用整体、端到端的视图，并支持各种测试场景，例如测试原型手机或流媒体播放器，以分析其在来自多个服务提供商的多种网络技术上提供的视频 QoE。另一个示例是使用 AI VQA 来确保新的终端软件版本或压缩技术不会破坏 QoE。无论在何处引入工件，AI VQA 都能够量化 QoE 影响。
艺术滑冰比赛通用规则 世界滑冰艺术技术委员会
切工 ................................................................................................................................ 21 协议 ................................................................................................................................ 21 定义 ................................................................................................................................ 22 QOE 和艺术要素 ................................................................................................................ 22 提高 TVP 的方法 ................................................................................................................ 22 降低 TVP 的原因 ................................................................................................................ 22 处罚 ................................................................................................................................ 23 名次 ................................................................................................................................ 23 国际比赛的 Rollart 面板 ............................................................................................. 23
AI 辅助 RLF 避免，实现智能 EN-DC 激活
摘要 — 在 5G 网络部署的第一阶段，用户设备 (UE) 将按传统方式驻留在 LTE 网络上。稍后，如果 UE 请求 5G 服务，它将同时驻留在 LTE 和 5G 上。这种双驻留是通过 3GPP 标准化方法实现的，称为 E-UTRAN 新无线电双连接 (EN-DC)。与单网络驻留不同，在单网络驻留中只有一个网络的不良 RF 条件会影响用户体验质量 (QoE)，而在 EN-DC 中，LTE 或 5G 网络中的不良 RF 条件都会对用户 QoE 产生不利影响。激活 EN-DC 的参数配置不理想可能会妨碍可保留性 KPI，因为 UE 可能会观察到无线链路故障 (RLF) 增加。虽然最大化 EN-DC 激活的需求对于实现 5G 网络的最大效用是显而易见的，但避免 RLF 对维持 QoE 要求同样重要。为了解决这个问题，我们首先使用 Tomek Link 来解决数据不平衡问题，然后构建一个 AI 模型，根据实际网络低级测量结果预测 RLF。然后，我们提出并评估了一种 RLF 风险感知 EN-DC 激活方案，该方案借鉴了开发的 RLF 预测模型的见解。使用符合 3GPP 标准的 5G 模拟器进行的模拟表明，与对 EN-DC 激活不进行条件调节相比，在评估的小区簇中，所提出的方案可以帮助将潜在的 RLF 实例减少 99%。这种 RLF 减少是以 EN-DC 激活减少 50% 为代价的。这是首次提出框架和见解，供运营商优化配置 EN-DC 激活参数，以实现最大化 5G 站点效用和 QoE 之间的理想权衡的研究。索引术语 —5G、新无线电、EN-DC、无线电链路故障、人工智能 I. 介绍
基于匹配博弈的资源分配策略
摘要 ：随着卫星通信技术的发展，传统的资源分配策略难以满足资源利用效率的要求，为解决多用户场景下多层卫星网络的资源分配优化问题，提出一种基于多对多匹配博弈的资源分配方案。
ACM MMSYS 2024实时通信挑战中的带宽估计
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。
附录3字段列表和研究子领域...
机器类型通信/IoT通信中等访问控制干预管理新波形设计和GHz/THZ大型MIMO技术和智能地面和卫星集成网络AR/VR/VR/XR以及超过5G/6G/6G/6G/6G/6G的Internet of 5G/6GCORPADSOURCERAICTIONCORPARCERACTION metasurfaces自主移动性智能边缘
分散任务在边缘计算中卸载
摘要 - 在合作边缘节点中流动的室内化任务已成为提高资源利用并改善边缘计算中用户的经验质量（QOE）的有前途的解决方案。但是，当前的分散方法（例如启发式方法和基于游戏理论的方法）可以优化贪婪或依赖于刚性假设，无法适应动态边缘环境。现有的基于DRL的方法在模拟中训练该模型，然后将其应用于实用系统。由于实际系统与模拟环境之间的差异，这些方法的性能可能很差。其他直接训练模型和部署模型的方法将面临一个冷启动的问题，这将在模型收敛之前减少用户的QOE。本文提出了一本名为（o2o-drl）的drl-on-Online DRL小说。它使用启发式任务日志来启动lim的DRL模型。但是，频道和在线数据具有不同的分布，因此，使用局部方法进行在线调整会破坏所学的局部策略。为了避免此问题，我们使用派利DRL来调整模型并防止价值高估。我们在模拟和基于Kubernetes的测试台中使用其他方法评估O2O-DRL。性能结果表明，O2O-DRL胜过其他方法，并解决了冷门问题。
计算机网络-Archivo Digital UPM
实时流媒体的大量增长，尤其是以游戏为中心的内容，导致全球带宽消费的总体增长。某些服务看到它们在高峰消费时的质量降低，从而降低了内容的质量。这种趋势产生了与根据网络和服务条件优化图像质量有关的新研究。在这项工作中，我们在真实的多站点5G环境上提出了游戏流的用例优化。本文概述了用例的虚拟化工作流程，并提供了用于模拟的应用程序和资源的详细说明。此仿真测试了基于人工智能（AI）算法的添加，对服务的优化，从而在不同的工作条件下以良好的经验（QOE）确保内容的交付。引入的AI基于深度强化学习（DRL）算法，该算法可以灵活地适应多媒体工作流程可能面临的不同条件。也就是说，通过纠正措施调整流量比特率，以优化实时多站点方案中内容的Qoe。这项工作的结果表明了我们如何最大程度地减少内容损失，以及与没有在系统中集成的优化器的服务相比，获得具有较高比特率的高视听性多媒体质量结果。在多站点的环境中，我们在阻滞效率方面取得了20个百分点的提高，并且在阻滞损失方面也有15个百分点。