深度强化学习在自适应视频流媒体中的静默神经理论与塑性保持
机器学习
2026-05-15 v3 人工智能
摘要
自适应视频流媒体通过根据可变网络带宽和用户需求选择合适的比特率来优化用户体验（QoE）指标。然而，实际情况下，网络带宽常常与训练环境呈异质性。当前方法主要通过设计学习方法来提高泛化性能。虽然我们的系统性调查揭示了一个关键局限性：神经网络存在塑性损失，显著阻碍其适应异构网络条件的能力。通过神经传播机制的理论分析，我们展示，现有的 dormant 神经指标不足以 characterize 神经塑性损失。为此，我们发展了静默神经理论，为理解塑性退化提供更全面的框架。基于这些理论洞见，我们提出了Reset Silent Neuron（ReSiN），通过前向和反向传播状态引导的神经元重置来保持神经塑性。此外，我们在 ReSiN 于非平稳网络条件下建立了更紧密的性能界限。在我们自适应视频流媒体系统的实现中，ReSiN 相对于现有解决方案显著提升，实现了比特率提高最高可达168%，QoE提升最高可达108%，同时保持可 comparable 的平滑性。更重要的是，ReSiN 在平稳环境中也持续优于，展示了其在不同网络条件下的稳健适应性。
引用
@article{arxiv.2505.01584,
title = {Silent Neuron Theory and Plasticity Preservation for Deep Reinforcement Learning in Adaptive Video Streaming},
author = {Zhiqiang He and Zhi Liu},
journal= {arXiv preprint arXiv:2505.01584},
year = {2026}
}