Измерение мобильного качества AIGC без пользовательских исследований или датчиков
25 июня 2025 г.Таблица ссылок
Аннотация и 1. Введение
1.1 Фон
1.2 Мотивация
1.3 Наша работа и вклады и 1.4 организация
Связанная работа
2.1 Mobile AIGC и его моделирование QOE
2.2 блокчейн для мобильных сетей
Предварительные
Прокурор дизайн
4.1 Обзор архитектуры
4.2 REPUTITY ROLL-UP
4.3 Дуплекс -передаточный канал
OS2A: Объективная оценка услуг для мобильного AIGC
5.1 Вдохновение от DCM
5.2 Объективное качество процесса обслуживания
5.3 Субъективный опыт выходов AIGC
OS2A на прокуратуре: двухфазное взаимодействие для мобильного AIGC
6.1 Выбор MASP по репутации
6.2 Схема теоретического оплаты контракта
Реализация и оценка
7.1 Реализация и экспериментальная настройка
7.2 Оценка эффективности прокуратуры
7.3 Исследование функциональных целей
7.4 Анализ безопасности
Заключение и ссылки
2 Связанная работа
В этом разделе мы рассмотрим некоторые связанные работы, касающиеся мобильного AIGC и его моделирования QOE, а также прогресс мобильных блокчейнов.
2.1 Mobile AIGC и его моделирование QOE
Успех AIGC зависит от крупных предварительно обученных моделей с миллиардами параметров [1]. Очевидно, что такая парадигма не подходит для многочисленных клиентов, ограниченных ресурсами, препятствуя дальнейшему развитию AIGC. С этой целью исследователи уменьшают размер модели AIGC и облегчают требования к оборудованию. В феврале 2023 года Qualcomm AI опубликовал первую в мире версию стабильной диффузии в мире, одной из самых известных моделей AIGC Text-Igage [19]. Квантовая параметры модели от FP32 до Int8, модель сокращения может быть плавно эксплуатироваться на общих смартфонах. Кроме того, Chen et al. [5] представляют серию оптимизации с учетом графических процессоров для стабильной диффузии, такой как флэш-внимание и свертка винограда, достигая 12-секундной задержки вывода на Samsung S23 Ultra. Snapfusion [20] дополнительно снижает такую задержку до 2 секунд путем пошаговой дистилляции. В настоящее время различные мобильные приложения AIGC были запущены и широко используются на практике, например, какМечтатель[1] иРисовать вещи[2]. В обозримом будущем AIGC будет дополнительно охватывать мобильные сети, наслаждаясь простым доступным мобильным сообщением, вычислением, кэшированием и персонализацией [6], [7].
Моделирование QOE мобильного AIGC неразрешимо из -за уникальных функций выходов AIGC в качестве произведений искусства. По сравнению с обычными сценариями, такими как краудсорсинг и кэширование края, на QOE мобильного AIGC сильно влияет неявные субъективные пользовательские предпочтения. Традиционно, такая субъективная QOE может быть измерена с использованием в рамках исследования [21] или аналитических рамках, например, абсолютное рейтинг категорий [9]. Тем не менее, эти методы утомительны и требуют много времени, без потенциала для оценки QOE в реальном времени. С другой точки зрения физиологические методы направлены на то, чтобы отразить воспринимаемую QOE клиентов непосредственно из их восприятия и когнитивных процессов, например, частоты сердечных сокращений, артериального давления и температуры [22]. Хотя из первых рук можно приобрести, клиенты должны продолжать носить определенные мониторы, которые могут быть инвазивными и непригодными для крупномасштабных приложений. Недавно еще одна новая техника под названиемАффективные вычисленияприобрел значительное внимание в этой области. Аффективные вычисления могут измерить воспринимаемую человеком QOE в соответствии с аффективным поведением, обусловленным человеческими эмоциями, например, выражениями лица, тонусом речи и жестами тела [10], [11]. Тем не менее, обучение нейронных сетей для индивидуального анализа аффективного поведения требует огромного времени и вычислительных ресурсов. Кроме того, полученная модель специфична для модальности, потому что типы аффективного поведения, которые клиенты играют в разных сценариях, отличаются. Помимо измерения неявной субъективной QOE, другая проблема заключается в том, чтобы сливать его с объективными качествами обслуживания. Du et al. [7] Принять закон Вебера -Фехнера [23], который может оценить изменение воспринимаемого опыта клиента, вызванного изменением качества обслуживания. Однако они применяют унифицированную модель для всех клиентов, игнорируя их неоднородность с точки зрения персонализированных предпочтений, строгости и т. Д.
Понимание: В этой статье мы создаем схему репутации для измерения субъективного опыта клиентов. Как показано в таблице 1, наш подход превосходит существующие работы в двух аспектах. Во -первых, клиенты могут принять личные модели QOE и выразить свой воспринимаемый опыт в единой форме мнений. Обратите внимание, что мнения отдельных клиентов могут содержать субъективность и предвзятость. Следовательно, теория WSML принимается для облегчения влияния этих факторов и обеспечения каждой MASP справедливой репутацией. В результате можно обходить исследование пользователя, физические тесты и обучение цифровой сети. Более того, существующие измерения QOE зависят от модальности, поскольку изучение пользователя, тесты и цели обучения различаются в разных методах. Напротив, подход репутации может быть применен к любой модальности.
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 есть
https://stablediffusionweb.com/app
https://drawthings.ai/
Оригинал