آقای جعفر القرعاوی دانشجوی دکتری دکترابوالفضل دیانت مورخ: ۱۴۰۵/۰۵/۰۶ ساعت: ۱۷:۰۰ از رساله دکتری خودباعنوان «ارائه یک روش بهینه مبتنی بر ویژگی برای تخمین کیفیت تجربه در سامانههای پخش ویدیوی جویباری تطبیقی» دفاع خواهند نمود.(ادامه مطلب)
دانشجو: جعفر القرعاوی استاد راهنما:دکترابوالفضل دیانت استاد راهنما:دکترابوالفضل دیانت – دکتر محمدرضا جاهدمطلق اعضاء هیات داوری: دکتر احمد اکبری ؛ دکتر محمد عبدالهی؛ دکتر احمد خونساری؛ دکتر امیر جلالی بیدگلی
تاریخ دفاع: ۶ مرداد ۱۴۰۵ ساعت: ۱۷ محل: مجازی
ارزیابی کیفیت تجربه کاربر (QoE) در سامانههای پخش تطبیقی ویدئودر سالهای اخیر به یکی از موضوعات مهم پژوهشی تبدیل شده است، زیرا این معیار بهطور مستقیم میزان رضایت کاربران را اندازهگیری میکند. کیفیت ادراکشده توسط کاربران معمولاً بهصورت ذهنی و از طریق آزمونهای انسانی طراحیشده به دست میآید که اجرای آنها هزینهبر، زمانبر و محدود به تعداد کمی از شرکتکنندگان است.روشهای موجود برای پیشبینی QoE در ادبیات پژوهشی، عموماً یا بهصورت مدلهای مستقل پیادهسازی میشوند و یا مستلزم بهاشتراکگذاری دادههای QoE میان دستگاههای مختلف هستند. در این پژوهش، یک چارچوب سبکوزن پیشنهاد شده است که با شبیهسازی توصیهنامههای استانداردITU-T P.۱۲۰۳، مجموعهدادهای بزرگ و برچسبگذاریشده از QoE تولید میکند و سپس با بهرهگیری از پیشرفتهای اخیر در یادگیری ماشین، کیفیت تجربه کاربر را بر اساس زیرمجموعههای مختلفی از پارامترهای QoE پیشبینی میکند. این چارچوب ضمن حفظ حریم خصوصی کاربران، امکان یادگیری مشارکتی را نیز از طریق بهکارگیری یک روش یادگیری فدرال مبتنی بر وزنهای مدل فراهم میسازد. مدل پیشنهادی یادگیری فدرال با میانگینگیری وزنی بهمنظور بهبود پیشبینی QoE بر روی دادههای تولیدشده از نشستهای پخش ویدئوی آنلاین پیادهسازی شده است. ترکیب قابلیتهای استاندارد P.۱۲۰۳ با روشهای یادگیری ماشین، امکان تولید یک مجموعهداده بزرگ از QoE مربوط به پخش ویدئو و همچنین پیشبینی امتیاز میانگین نظرات کاربران را تنها با استفاده از مجموعههای کوچکی از پارامترهای ضروری فراهم کرده است. این رویکرد از مقیاسپذیری و انعطافپذیری بالایی برخوردار است و میتواند خود را با شرایط مختلف شبکه تطبیق دهد، در حالی که همچنان الزامات استانداردهای ITU-T را حفظ میکند. نتایج نشان میدهد که روش پیشنهادی توانسته است با استفاده از تعداد اندکی از پارامترهای مهم مربوط به پخش ویدئو و پارامترهای غیرمرتبط با پخش، دقتی بیش از ۸۷ درصد در تخمین QoE به دست آورد.
Abstract Recently, assessing the QoE in adaptive video streaming systems has become an interesting research area since it directly gauges customer satisfac tion. The perceived quality is often obtained subjectively through high-cost, limited-size, and time-consuming configured human tests. The existing QoE prediction in the literature comes with a flavor of implementing models sepa rately or sharing QoE data between distinct devices. This work proposes a light-weight pipeline that simulates the ITU-T P.۱۲۰۳ recommendations to generate large-scale labeled QoE data, and then uses the advances of machine learning to predict QoE from various subsets of QoE parameters. It also preserves the user’s privacy and collaborative learning by implementing a proposed weight-based federated learning procedure. The proposed Weighted Averaging Federated Learning (WAFL) model is implemented to enhance the QoE prediction on generated data from online video sessions. Combining the strengths of P.۱۲۰۳ with machine learning allowed obtaining a large video streaming QoE dataset, and predicting the MOS from simple subsets of pa rameters in a scalable and flexible manner that can adapt different network contexts while preserving the ITU-T standards. The proposed QoE prediction provided an accuracy exceeding ۸۷% in estimating the QoE using small sets of essential streaming and non-streaming parameters. Keywords; QoE, Adaptive Video Streaming, QoE Assessment, QoE prediction
آقای جعفر القرعاوی دانشجوی دکتری