基于图表示学习视野预测的新型自适应 360° 视频直播

基于摘要分析。本文研究 360° 视频直播的高带宽需求与用户视野（FoV）难以提前预测的问题，提出 GL360 传输框架：利用图表示学习预测用户将观看的视频分块，再由边缘服务器为各用户选择分块分辨率，以优先保障视野内内容的质量。 机制上，框架使用动态异构关系图卷积网络（RGCN）刻画用户与全景视频分块之间的交互，学习用户和分块的嵌入表示；通过在线动态异构图学习（DHGL）算法，在先验信息有限的条件下捕捉观看行为随时间的变化；随后将 FoV 预测接入内容分发决策。其研究对象是视频观看行为与网络传输，而非神经信号解码。图关系的具体定义、在线更新方式、训练目标及分辨率分配规则尚未验证。 作者报告，在真实轨迹驱动的实验中，GL360 的 FoV 预测与网络性能优于四种对照方案。摘要未提供轨迹数据集名称、用户规模、训练测试划分、基线名称、指标定义及具体增益，因此尚不能判断不同网络条件下的稳健性，或区分预测模块与传输策略各自的贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其动态异构图机制可作为分析 EEG 中跨被试、通道与时间关系的候选思路，但这只是假设。原方法依赖用户—分块交互轨迹，不能直接等同于 EEG 的通道耦合或任务标签；迁移时需重新定义节点、边、时间更新和解码目标，视频分块分辨率分配模块则不直接适用。低信噪比、小样本及跨被试通道差异可能使动态图更新不稳定。一个可证伪的小实验是在固定 Cross-subject 划分和相同 EEG 特征条件下，对比静态关系图与在线动态图更新，检验更新是否稳定改善预先指定的同一解码指标。相关 EEG 工作尚未检索确认。