Как измерить качество услуг AIGC
cybersecurity blockchain-security layer-2-rollups mobile-computing tamper-proof-data-recording aigc-payment-security mobile-ai-generated-content aigc-payments fee-ownership-transfer

Как измерить качество услуг AIGC

26 июня 2025 г.

Аннотация и 1. Введение

1.1 Фон

1.2 Мотивация

1.3 Наша работа и вклады и 1.4 организация

  1. Связанная работа

    2.1 Mobile AIGC и его моделирование QOE

    2.2 блокчейн для мобильных сетей

  2. Предварительные

  3. Прокурор дизайн

    4.1 Обзор архитектуры

    4.2 REPUTITY ROLL-UP

    4.3 Дуплекс -передаточный канал

  4. OS2A: Объективная оценка услуг для мобильного AIGC

    5.1 Вдохновение от DCM

    5.2 Объективное качество процесса обслуживания

    5.3 Субъективный опыт выходов AIGC

  5. OS2A на прокуратуре: двухфазное взаимодействие для мобильного AIGC

    6.1 Выбор MASP по репутации

    6.2 Схема теоретического оплаты контракта

  6. Реализация и оценка

    7.1 Реализация и экспериментальная настройка

    7.2 Оценка эффективности прокуратуры

    7.3 Исследование функциональных целей

    7.4 Анализ безопасности

  7. Заключение и ссылки

5.2 Объективное качество процесса обслуживания

Объективное качество процесса обслуживания AIGC может быть оценено с помощью различных KPI с разных точек зрения. Задержка обслуживания является одной из наиболее важных проблем, потому что 8, учитывая незрелое управление AIGC, в настоящее время обычная практика заключается в том, что клиент, который сначала публикует один результат AIGC, владеет авторским правом [46]. Следовательно, клиенты всегда будут ожидать, что задержка обслуживания максимально небольшая, чтобы предотвратить публикацию подобных идей другими мобильными соседями. Без потери общности, в этой статье мы придерживаемся задержки обслуживания AIGC в качестве примера для демонстрации расчета OS2AO.

5.2.1 Моделирование установки канала

Fig. 5: The illustration of transaction pool and the fitting of Ethereum transaction fee.

5.2.2 Обобщение для других KPI

5.3 Субъективный опыт выходов AIGC

Помимо объективных KPI, клиенты также заботятся о том, могут ли сгенерированные результаты AIGC соответствовать их личным требованиям, которые мы выполняем какопытрезультата обслуживания AIGC. Учитывая субъективность в оценке произведений искусства, клиенты оценивают выходы AIGC, используя свои собственные стандарты и предпочтения. Тем не менее, независимо от того, какая модель используется, конечный выход должен быть преобразован вЛогическое суждение, чья ценность0или1Полем Значение 1 означает, что клиент получает удовлетворительный вывод AIGC. Напротив, значение 0 указывает на то, что полученный выход страдает от недостатков, например, низкого разрешения, искажения и несоответствующего стиля искусства. Тогда интуитивно понятным способом является среднее содействие предметам суждения от всех клиентов и рассчитать оценку репутации для каждой MASP. Тем не менее, помните, что эти клиенты имеют разные уровни строгости. Мы должны калибровать решение от многочисленных гетерогенных клиентов и пригеневать справедливую общую репутацию для каждой MASP. Чтобы достичь этой цели, мы используем WMSL [16] для калибровки суждения, как показано вАлгоритм 2Полем

5.3.1 Местное мнение

5.3.2 Справочное мнение и калибровка

5.3.3 Слияние и репутация мнений

Fig. 6: The perceivable experience of AIGC output quality. Images (a) and (b) are trained on AnyLoRA-Checkpoint model using the same prompt: Arcane style, 1 girl, pink hair, long hair, one braid, white shirt, coat, yellow eyes, looking at viewer, city street. However, the model for Image (b) is fine-tuned by Arcane Style LoRA. Image (c) shows some references of Arcane style from Google. This example is from [55].

5.3.4 Обсуждение: обоснование репутации

Авторы:

(1) Yinqiu Liu, Школа компьютерных наук и инженерии, Технологический университет Наняна, Сингапур (yinqiu001@e.ntu.edu.sg);

(2) Hongyang Du, Школа компьютерных наук и инженерии, Технологический университет Нанян, Сингапур (hongyang001@e.ntu.edu.sg);

(3) Dusit niyato, Школа информатики и инженерии, Наньянский технологический университет, Сингапур (dniyato@ntu.edu.sg);

(4) Цзявен Кан, Школа автоматизации, Технологический университет Гуандунга, Китай (kavinkang@gdut.edu.cn);

(5) Zehui Xiong, Столп технологий и дизайна информационных систем, Сингапурский технологический университет и дизайн, Сингапур (zehuixiong@sutd.edu.sg);

(6) Аббас Джамалипур, Школа электротехники и информационной инженерии, Университет Сиднея, Австралия (a.jamalipour@ieee.org);

(7) Сюмин (Шерман) Шен, Департамент электрической и компьютерной инженерии, Университет Ватерлоо, Канада (sshen@uwaterloo.ca).

Эта статья естьДоступно на ArxivПод CC по лицензии 4.0.

[3] Данные, доступные по адресу http://xblock.pro/#/dataset/14

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE