MANSY：通过集成与表征学习提升神经自适应沉浸式视频流传输的泛化能力

基于摘要分析。该研究面向带宽受限网络中的沉浸式视频分块自适应流传输，针对用户观看模式和 Quality of Experience（QoE，体验质量）偏好变化导致的泛化退化，提出流传输系统 MANSY，分别改进视口预测与码率选择。 在视口预测方面，作者采用基于 Transformer 的模型，通过基于隐式集成学习的多视口轨迹输入输出架构，适应不同用户的观看模式。在码率选择方面，作者将表征学习与深度强化学习结合，以优化多样化的 QoE 目标并适应不同用户偏好。摘要未提供隐式集成的具体实现、表征学习目标、强化学习状态与奖励设计，尚不能判断各组件如何独立贡献于泛化。 作者报告，在训练中已见及未见的观看模式与 QoE 偏好条件下，MANSY 的视口预测准确性和 QoE 改善均优于所比较的现有先进方法。摘要未给出数据集、用户规模、划分方式、基线名称或量化结果；实验协议、消融及统计信息尚未验证，不能据此判断收益幅度或是否适用于其他分布变化。 该工作的主要研究对象是视频流传输，而非 EEG 解码或 BCI。其对输入行为差异与优化偏好差异的分别建模具有方法层面的阅读价值，但材料未建立与神经信号任务的具体机制对应，因此不据此提出 EEG 复现实验；相关 EEG 工作尚未检索确认。