Multi-Modal Machine Learning for Assessing Gaming Skills in Online Streaming: A Case Study with CS:GO
本研究针对在线直播游戏技能评估需求,清理数据集缺陷后提出多模态端到端模型变体学习联合表示,验证了有效性同时发现模型易识别用户而非学习有效表示,指明后续研究方向。
2023-07-23 cs.CV cs.LG
Andes: Defining and Enhancing Quality-of-Experience in LLM-Based Text Streaming Services
University of Michigan(密歇根大学);UIUC(伊利诺伊大学厄巴纳-香槟分校);Cisco Systems(思科系统公司)
该研究定义了LLM文本流式服务的体验质量(QoE),提出具备QoE感知能力的Andes服务系统,通过抢占式token级动态调度提升用户体验,在相同GPU资源下QoE最高提升4.7倍,或维持同等QoE时最多节省61%GPU资源。
2024-12-13 cs.DC cs.LG
Hierarchical Modeling and Shrinkage for User Session Length Prediction in Media Streaming
Massachusetts Institute of Technology(麻省理工学院);Pandora Media, Inc.(潘多拉媒体公司);Stanford(斯坦福大学)
在线流媒体服务内的用户满意度和参与度的重要度量是用户会话长度,即,他们连续不中断地花费在服务上的时间量。能够预测此值直接有益于音乐和视频流媒体服务中的推荐和广告节奏上下文。最近的研究表明,由于用户可以结束会话的许多外部因素以及缺乏预测协变量,预测所花费的确切时间是非常重要的。大多数关于基于持续时间的用户参与度的其他相关文献都集中在网站的停留时间,搜索和显示广告,主要用于点击后满意度预测或广告排名。在这项工作中,我们提出了一个新的框架的启发,层次贝叶斯建模预测,在登录的那一刻,用户将花费在流媒体服务的时间量。用户在平台上花费的时间取决于通过分层收缩学习的用户特定的潜在变量。我们的框架享有理论保证,并自然地结合了灵活的参数/非参数模型的协变量,包括模型鲁棒离群值。我们的建议被发现在现实世界的公共和私人数据集的效率和预测性能方面优于最先进的估计。
2018-06-22 cs.LG stat.ML
QSMVM: QoS-aware and social-aware multimetric routing protocol for video-streaming services over MANETs
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);University of Vigo(维戈大学)
本研究针对MANET视频流服务的网络社交化需求,改进MMDSR协议,将关系强度(TS)社交度量纳入转发决策,在QoS不受显著影响的前提下提升路径信任水平,提出QSMVM多度量路由协议。
2023-12-12 cs.LG cs.NI
Beyond the Hook: Predicting Billboard Hot 100 Chart Inclusion with Machine Learning from Streaming, Audio Signals, and Perceptual Features
本研究使用流媒体流行度、音频信号和感知特征构建机器学习模型,预测歌曲是否进入 Billboard Hot 100,发现流行度最关键,XGBoost 等模型准确率约达 90%。
2025-09-29 cs.LG
A Scalable Framework for Automatic Playlist Continuation on Music Streaming Services
Deezer Research(Deezer研究院);LAMSADE, Université Paris Dauphine, PSL(巴黎多芬大学(PSL大学)LAMSADE实验室)
本文提出一个基于“先表示后聚合”策略的可扩展APC框架,在Spotify MPD上验证有效性,并通过Deezer大规模在线A/B测试证明其生产环境中的实际价值。
2023-04-12 cs.IR cs.LG cs.SD
Estimation of Video Streaming KQIs for Radio Access Negotiation in Network Slicing Scenarios
Universidad de Málaga(马拉加大学)
近年来,多媒体内容的使用大幅增加,成为移动网络用户最重要的服务之一。因此,网络运营商努力优化其基础设施,以支持最佳的视频服务供应。作为一个额外的挑战,5G引入了网络切片的概念,作为一种新的范式,它呈现了一种完全不同的网络配置和优化视图。该方案的主要挑战是确定哪些特定资源将为使用切片的用户提供必要的服务质量。为了解决这个问题,目前的工作提出了一个完整的框架,通过估计提供的视频流传输关键质量指标(KQI),这是从网络低层配置参数和指标计算的切片协商过程的支持。建议的估计,然后在一个真正的蜂窝场景进行评估。
2020-06-16 cs.LG cs.NI eess.SP
DiSCo: Device-Server Collaborative LLM-Based Text Streaming Services
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Purdue University(普渡大学)
DiSCo提出设备-服务器协作调度器,通过成本感知路由和令牌级迁移,在满足TTFT和TBT要求下优化QoE,降低尾部TTFT 11-52%、平均TTFT 6-78%,并节省高达84%的服务成本。
2025-05-24 cs.DC cs.LG
A Big Data Analytics System for Predicting Suicidal Ideation in Real-Time Based on Social Media Streaming Data
Dams and Water Resources Research Center, University of Mosul(摩苏尔大学大坝与水资源研究中心);Yildiz Technical University(伊兹密尔技术大学);Centre for Industrial Software, University of Southern Denmark(南丹麦大学工业软件中心)
提出基于大数据架构的社交媒体自杀意念实时预测系统,采用批处理和流式两阶段方法,结合多种特征提取与Spark ML分类器,最优模型准确率达93.47%。
2024-03-19 cs.CL cs.LG cs.SI
Supervised Learning based QoE Prediction of Video Streaming in Future Networks: A Tutorial with Comparative Study
Cardiff Metropolitan University(卡迪夫城市大学);University of Western Australia(西澳大利亚大学);Dublin City University(都柏林城市大学);University College Dublin(都柏林大学学院);University of Cagliari(卡利亚里大学)
基于体验质量(QoE)的服务管理仍然是在下一代网络(例如5G/6 G)中成功提供多媒体服务的关键,这需要适当的质量监控、预测和资源管理工具,其中机器学习(ML)可以发挥关键作用。在本文中,我们提供了一个基于监督学习ML模型的视频流服务QoE测量和预测解决方案的开发和部署教程。首先,我们为开发和部署基于监督学习的视频流QoE预测模型提供了一个详细的管道,该管道包括数据汇集、特征工程、模型优化和训练、测试以及预测和评估等几个阶段。其次,我们通过提出参考架构,讨论了使用软件定义网络(SDN)、网络功能虚拟化(NFV)和移动边缘计算(MEC)等网络使能技术在下一代网络(5G/6 G)中部署用于QoE预测/测量的ML模型。第三,我们提出了一个比较研究的国家的最先进的监督学习ML模型的QoE预测的视频流应用程序的基础上,多个性能指标。
2022-01-03 cs.LG cs.MM cs.NI
Hybrid Machine Learning Approach to Popularity Prediction of Newly Released Contents for Online Video Streaming Service
TEAMLAB;Gachon University(嘉泉大学);Pukyong National University(釜庆国立大学);Papago;NAVER
在视频点播、IPTV等视频内容提供方行业中,提前预测视频内容的受欢迎程度,无论从营销角度还是从网络优化角度都至关重要。通过预先预测内容是否成功,大的内容文件被有效地部署在适当的服务提供服务器中,导致网络成本优化。许多以前的研究已经做了视图计数预测研究来做到这一点。然而,这些研究一直是根据用户的历史观看次数数据进行预测的。在本例中,内容已经发布给用户,并且已经部署在服务服务器上。这些方法使得可以有效地部署已经发布的内容,但是不可能用于未发布的内容。为了解决这些问题,本研究提出了一种混合机器学习方法的分类模型的流行度预测的新的视频内容,这是没有公布。在本文中,我们创建一个新的变量的基础上的相关内容的具体内容和划分整个数据集的内容的特征。接下来,根据聚类的数据特征,使用XGBoosting和基于深度神经网络的模型进行预测。我们的模型使用元数据进行内容预测,因此我们使用分类嵌入技术来解决分类变量的稀疏性,并使它们能够有效地学习深度神经网络模型。同时,我们使用FTRL邻近算法来解决视频内容的观看次数波动的问题。使用来自顶级流媒体服务公司之一的数据集,我们比之前的独立方法实现了更好的整体性能。
2019-01-28 cs.IR cs.LG stat.ML
Predicting IPv4 Services Across All Ports
Stanford University(斯坦福大学);Inria(法国国家信息与自动化研究所)
互联网范围扫描通常用于了解互联网的拓扑结构和安全性。然而,IPv4互联网扫描仅限于扫描服务的子集-彻底扫描所有IPv4服务的成本太高,并且没有现有的带宽节省框架被设计用于扫描所有端口上的IPv4地址。在这项工作中,我们介绍GPS,一个系统,有效地发现互联网服务在所有端口。GPS运行一个预测框架,可以从极小的样本中学习,并且具有高度的并行性,使其能够快速找到所有65 K端口和无数功能之间的服务模式。GPS在13分钟内计算服务预测(比以前的工作快4个数量级),并在所有端口上找到92.5%的服务,与穷举扫描相比,带宽减少131倍,精度提高204倍。全球定位系统是第一个工作,表明,给定至少两个响应的IP地址的一个端口上的训练,预测大多数服务在所有端口是可能的和实际的。
2023-03-02 cs.DC cs.LG cs.NI
Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms
University of Missouri(密苏里大学)
本研究的重点是预测空中出租车城市空中交通(UAM)服务的需求在一天中的不同时间在纽约市的不同地理区域使用机器学习算法(MLAs)。几个乘坐相关的因素(如一年中的月份,一周中的一天和一天中的时间)和天气相关的变量(如温度,天气条件和能见度)被用作四个流行的MLA,即逻辑回归,人工神经网络,随机森林,和梯度提升的预测。实验结果表明,梯度提升始终提供更高的预测性能。特定的地点、特定的时间段和工作日一直是关键的预测因素。
2021-03-26 cs.LG stat.AP
Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times
Container Terminal Operations(集装箱码头运营公司)
本文通过预测服务需求和停泊时间,减少集装箱终端无效移动。利用历史数据训练机器学习模型,提高预清关处理和停泊时间预测精度,优于传统方法。
2026-04-06 cs.AI cs.LG stat.AP
Predicting the Intention to Interact with a Service Robot:the Role of Gaze Cues
Dalle Molle Institute for Artificial Intelligence (IDSIA)(达尔莫勒人工智能研究所(IDSIA))
本文提出一种自监督序列到序列分类器,通过引入注视线索显著提升服务机器人对用户交互意图的早期预测能力,并验证了其在新环境中的适应性和实际应用效果。
2024-04-02 cs.AI cs.LG cs.RO
Real Time Video Quality Representation Classification of Encrypted HTTP Adaptive Video Streaming - the Case of Safari
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Ariel University(阿里尔大学)
HTTP自适应视频流服务的日益普及大大增加了运营商网络的带宽要求,运营商网络试图通过深度数据包检测(DPI)来塑造其流量。不过,谷歌和某些内容提供方已经开始对他们的视频服务进行加密。因此,运营商在通过DPI塑造其加密视频流量时经常遇到困难。这突出了对加密HTTP自适应视频流的新流量分类方法的需求,以实现智能流量整形。这些新方法必须有效地估计质量表示层和播放缓冲区。我们提出了一种新的方法,并首次表明(YouTube)加密HTTP自适应流的视频质量表示分类是可能的。我们分析了这种分类方法与Safari在HTTPS上的性能。基于大量的离线和在线流量分类实验,我们证明了它可以独立地分类,在实时的,每个视频片段到一个质量表示层,平均准确率为97.18%。
2016-02-19 cs.CR cs.LG cs.MM
A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps
Deezer Research(Deezer研究院);École Polytechnique(巴黎综合理工学院);Univ. Paris Dauphine(巴黎多芬大学)
音乐流媒体服务严重依赖推荐系统来改善用户体验,帮助他们浏览大型音乐目录并发现新的歌曲,专辑或艺术家。然而,向新用户推荐相关和个性化的内容,很少或根本没有与目录的交互,是具有挑战性的。这通常被称为用户冷启动问题。在这篇应用论文中,我们提出了最近部署在音乐流媒体服务Deezer上的系统来解决这个问题。该解决方案利用半个性化推荐策略,基于深度神经网络架构和来自异构信息源的用户聚类。我们广泛地展示了这个系统的实际影响及其在预测Deezer上冷启动用户未来音乐偏好方面的有效性,通过离线和在线大规模实验。此外,我们公开发布我们的代码以及我们实验中的匿名使用数据。我们希望此次产业资源的释放,能对未来用户冷启动推荐的研究有所裨益。
2021-06-07 cs.IR cs.LG
Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks
School of Telecommunications Engineering, Xidian University(西安电子科技大学电信工程学院);Division of Integrative Systems and Design, The Hong Kong University of Science and Technology(香港科学与技术大学整合系统与设计系);School of Electronic and Information Engineering, Beijing Jiaotong University(北京交通大学电子与信息工程学院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系)
本文提出一种基于图神经网络的多播路由框架,通过强化学习构建多播树,在最小化传输成本的同时满足用户特定视频质量需求,接近最优解且显著降低计算复杂度。
2025-10-13 cs.LG cs.NI
Machine Learning-Based Prediction of Quality Shifts on Video Streaming Over 5G
针对5G视频流中质量切换影响用户体验质量(QoE)的问题,研究其与信道指标RSRP、RSRQ、SNR的关系,提出基于传统机器学习分类器的预测方法,仅用上述指标实现77%准确率,助力5G时代OTT服务优化。
2025-08-25 cs.LG cs.MM
An Intelligent Resource Reservation for Crowdsourced Live Video Streaming Applications in Geo-Distributed Cloud Environment
Hamad Bin Khalifa University(哈马德·本·哈利法大学);Qatar University(卡塔尔大学);Comsats Institute of Information Technology(COMSATS信息技术学院)
Facebook Live、YouNow、斗鱼和Twitch等众包视频直播服务最近正获得更大的发展势头。以具有成本效益的方式分配有限的资源,同时通过实时传送和为所有观众提供适当的表示来最大化服务质量(QoS)是一个具有挑战性的问题。在我们的论文中,我们介绍了一个基于机器学习的预测资源分配框架的地理分布的云站点,考虑延迟和质量约束,以保证最大的QoS观众和最小的成本为内容提供方。首先,我们提出了一个离线优化,决定所需的转码资源在分布式区域附近的观众与QoS和整体成本之间的权衡。其次,我们使用机器学习来构建预测模型,该模型可以提前预测每个云站点要保留的近似转码资源。最后,我们开发了一个贪婪的最近和Chestion算法(GNCA)执行的资源分配的实时广播视频租用的资源。大量的模拟表明,GNCA优于众包直播流媒体的最先进的资源分配方法,在系统成本方面实现了超过20%的增益,同时以相对较低的延迟为观众提供服务。
2021-06-04 cs.DC cs.LG cs.MM
Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services
Université de Montréal(蒙特利尔大学);Polytechnique Montréal(蒙特利尔综合理工学院)
公共交通服务质量的一个重要方面是其可靠性,其定义为服务属性的不变性。在规划期间采取的预防措施可以减少整个运营过程中的不可靠风险。为了解决服务规划阶段的可靠性问题,一个关键的信息是旅行时间密度的长期预测,它传达了旅行时间的不确定性。我们介绍了一种可靠的方法,在公共交通服务规划的问题之一,即多车场车辆调度问题(MDVSP),它需要作为输入的一组行程和概率密度函数(p.d.f.)。的行程时间,以输出延迟容忍的车辆调度。这项工作经验比较概率模型的预测条件p.d.f.作为迈向可靠MDVSP解决方案的第一步。两种类型的概率模型,即基于相似性的密度估计模型和平滑的Logistic回归的概率分类模型,比较了超过41,000人次和蒙特利尔市的50条公交线路的数据集。绝大多数概率模型的结果优于随机森林模型的结果,后者本身并不是概率性的,因此突出了对条件p.d. f建模的附加值。用概率模型来计算旅行时间。使用$k$最近邻方法和核密度估计的基于相似性的密度估计模型预测了真实条件p.d. f的最佳估计。在这个数据集上。
2021-02-03 cs.LG math.OC