Karma：基于因果序列建模的自适应视频流传输
图像与视频处理
2023-08-22 v1 机器学习
摘要
最优的自适应码率（ABR）决策依赖于对随时间演化的 interrelated 模态（包括环境观测、回报与动作）之间状态转移的全面刻画。然而，最先进的基于学习的 ABR 算法仅依赖过去观测来决定下一动作。该范式在遇到陌生观测时易引发一连串偏离最优动作的错误，从而削弱模型泛化能力。本文提出 Karma，一种利用因果序列建模、通过理解过去观测、回报与动作之间的相互因果关系并在偏差出现时及时修正动作以提升泛化能力的 ABR 算法。与直接的观测到动作映射不同，Karma 循环维护观测、回报与动作的多维时间序列作为输入，并采用决策 transformer（decision transformer）进行因果序列建模以确定下一动作。在输入序列中，Karma 使用最大累积未来体验质量（QoE）（亦称 QoE-to-go）作为扩展回报信号，该信号基于当前网络状况与播放状态周期性估计。我们通过轨迹驱动仿真与真实世界现场测试评估 Karma，证明其相较现有最先进 ABR 算法具有更优性能，在不同网络条件下平均 QoE 提升达 10.8% 至 18.7%。此外，Karma 展现出强大的泛化能力，在仿真与真实测试中对未见网络均表现出领先性能。
引用
@article{arxiv.2308.10230,
title = {Karma: Adaptive Video Streaming via Causal Sequence Modeling},
author = {Bowei Xu and Hao Chen and Zhan Ma},
journal= {arXiv preprint arXiv:2308.10230},
year = {2023}
}