面向自适应视频流中的 QoE 变化的塑性感知专家混合模型
多媒体
2025-12-30 v2 人工智能
摘要
自适应视频流系统旨在优化质量经验（QoE），从而提升用户满意度。然而，用户档案和视频内容的差异导致 QoE 因素的权重不同，结果在用户特定 QoE 函数中存在差异，从而导致不同的优化目标。这种变异性对神经网络构成重大挑战，因为它们往往难以在变化的目标下实现泛化——即已知的塑性损失，阻止常规模型有效适应变化的优化目标。为解决这一限制，我们提出塑性感知专家混合模型（PA-MoE），一种 novel 学习框架，通过平衡记忆保持与选择性遗忘来动态调节网络塑性。具体而言，PA-MoE 利用噪声注入促进对过时知识的选择性遗忘，从而赋予神经网络更强的适应性。此外，我们通过推导 regret bound 对 PA-MoE 进行严格的理论分析，以量化其学习性能。实验评估表明，在动态流环境中，PA-MoE 相较于竞争基线实现了 45.5% 的 QoE 提升。进一步分析显示，该模型通过优化神经元利用率有效缓解塑性损失。最后，进行参数灵敏度研究，通过注入不同水平的噪声，结果与我们的理论预测高度一致。
引用
@article{arxiv.2504.09906,
title = {Plasticity-Aware Mixture of Experts for Learning Under QoE Shifts in Adaptive Video Streaming},
author = {Zhiqiang He and Zhi Liu},
journal= {arXiv preprint arXiv:2504.09906},
year = {2025}
}