基于算法无关迁移学习的定制化视频体验质量估计
计算机视觉与模式识别
2020-03-20 v1 机器学习
图像与视频处理
机器学习
摘要
利用机器学习(ML)开发体验质量(QoE)模型具有挑战性,原因包括数据集规模小、源域中用户画像缺乏多样性,以及QoE模型目标域中多样性过高。此外,由于机器学习模型和用户研究收集的数据可能涉及知识产权(IPR)或通用数据保护条例(GDPR)敏感性,数据集在研究实体之间难以共享。这使得去中心化基于学习的框架对于在局部模型之间共享和聚合学到的知识颇具吸引力,这些局部模型将获得的指标映射为用户QoE,例如平均意见得分(MOS)。本文提出一种基于迁移学习的ML模型训练方法,该方法允许去中心化局部模型共享关于MOS的通用指示以学习一个通用基础模型,然后利用特定于那些本地化(且可能敏感的)QoE节点的独有特征进一步定制该通用基础模型。我们表明所提方法对相互堆叠的特定ML算法无关,因为它不要求协作的本地化节点运行相同的ML算法。我们可复现的结果揭示了以相应权重因子堆叠各种通用与特定模型的优势。此外,我们为相应的本地化QoE节点确定了算法与权重因子的最优组合。
引用
@article{arxiv.2003.08730,
title = {Customized Video QoE Estimation with Algorithm-Agnostic Transfer Learning},
author = {Selim Ickin and Markus Fiedler and Konstantinos Vandikas},
journal= {arXiv preprint arXiv:2003.08730},
year = {2020}
}
备注
6 pages, 4 figures, 6 tables, 18 references