VStreamDRLS：用于企业分布式视频流解决方案的带自注意力的动态图表示学习
人工智能
2020-11-12 v1 机器学习
摘要
实时视频流已成为全球多家企业标准通信方案的中坚力量。为向大量办公室高效传输高质量实时视频内容，企业采用依赖底层演化企业网络先验知识的分布式视频流解决方案。然而，此类网络高度复杂且动态。因此，为最优协调实时视频分发，必须准确预测观看者之间的可用网络容量。本文提出一种在加权动态图上的图表示学习技术以预测网络容量，即观看者/节点间连接/链路的权重。我们提出VStreamDRLS，一种带自注意力机制的图神经网络架构，以捕获实时视频流事件的图结构演化。VStreamDRLS在实时视频流事件持续期间采用图卷积网络（GCN）模型，并引入自注意力机制以演化GCN参数。如此，我们的模型聚焦于与图演化相关的GCN权重，并相应生成节点表示。我们在由两个企业实时视频流事件生成的真实数据集上的链路预测任务评估了所提方法。每个事件持续一小时。实验结果表明VStreamDRLS相较于最先进策略的有效性。我们的评估数据集与实现公开于 https://github.com/stefanosantaris/vstreamdrls
引用
@article{arxiv.2011.05671,
title = {VStreamDRLS: Dynamic Graph Representation Learning with Self-Attention for Enterprise Distributed Video Streaming Solutions},
author = {Stefanos Antaris and Dimitrios Rafailidis},
journal= {arXiv preprint arXiv:2011.05671},
year = {2020}
}