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。MANSY 研究带宽受限网络中的沉浸式视频分块自适应流传输，针对用户观看模式与体验质量（QoE）偏好偏离训练分布时的性能退化，分别改进视口预测与码率选择，以提升对用户多样性的泛化能力。 在视口预测方面，作者采用基于 Transformer 的模型，通过隐式集成学习构建多视口轨迹输入输出架构，以适应不同用户的观看模式。摘要未说明轨迹的具体组织方式、集成机制及计算开销。在码率选择方面，作者结合表征学习与深度强化学习，训练模型面向多样化 QoE 目标进行优化；具体表征目标、奖励设计及偏好输入方式尚未验证。 作者报告，在训练中已见及未见的观看模式和 QoE 偏好条件下，MANSY 的视口预测准确性与 QoE 改善优于所比较的先进方法。但摘要未提供数据集、用户规模、训练测试划分、基线名称或具体指标数值，无法据此量化收益，也无法核对未见条件的构造方式；实验协议、消融及统计信息尚未验证。 该研究的主要对象是视频传输系统，而非神经信号分析或 BCI。其隐式集成与偏好多样性建模具有通用方法参考价值，但现有材料未建立与 EEG 瓶颈的具体对应关系，不据此提出已获支持的迁移结论；相关 EEG 工作尚未检索确认。