arXiv cs.AI· Zhiqiang He, Zhi Liu·· 1 天前AI 评分22
Silent Neuron 理论：用 ReSiN 保持深度强化学习在自适应视频流中的可塑性
Silent Neuron Theory and Plasticity Preservation for Deep Reinforcement Learning in Adaptive Video Streaming
AI 导读
针对深度强化学习在自适应视频流中因神经网络可塑性丧失而难以适应异构带宽的问题，研究者提出 Silent Neuron 理论，指出现有 dormant neuron 指标不足以刻画可塑性下降，并据此设计 ReSiN，通过结合前向与反向传播状态重置神经元来保持可塑性。
正文 · AI 翻译
摘要：自适应视频流通过根据变化的网络带宽和用户需求选择合适的比特率来优化体验质量（QoE）指标。然而在实践中，真实世界的网络带宽往往相对于训练环境呈现出异质性。当前方法主要通过基于学习的方法来提升泛化性能以应对这一问题。我们的系统性研究发现了一个关键局限：神经网络会遭受可塑性损失，显著阻碍其适应异构网络条件的能力。通过对神经传播机制的理论分析，我们证明现有的休眠神经元指标不足以刻画神经可塑性损失。为解决这一局限，我们提出了静默神经元理论，为理解可塑性退化提供了更全面的框架。基于这些理论洞见，我们提出了重置静默神经元（ReSiN），通过由前向和后向传播状态引导的策略性神经元重置来保持神经可塑性。此外，我们为 ReSiN 在非平稳网络条件下建立了更紧的性能界。在自适应视频流系统的实现中，ReSiN 在可用带宽在高、低区间交替的非平稳条件下展现出显著收益，将 QoE 提升了 178%；在平稳的真实世界轨迹下它依然有益，将 QoE 提升了 1.6%。代码将公开：此 https URL
| 评论： | 本文已被 IEEE Transactions on Mobile Computing 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2505.01584 [cs.LG] |
| （或 arXiv:2505.01584v5 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2505.01584 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhiqiang He [查看邮箱]
[v1]
2025年5月2日星期五 21:03:03 UTC（10,839 KB）
[v2]
2025年5月6日星期二 02:36:10 UTC（10,839 KB）
[v3]
2026年5月14日星期四 04:29:35 UTC（19,404 KB）
[v4]
2026年7月8日星期三 10:04:35 UTC（18,806 KB）
[v5]
2026年11月11日星期三 07:00:26 UTC（18,846 KB）
来源：arXiv cs.AI · arxiv.org