基于图表示学习视野预测的新型自适应 360° 直播

基于摘要分析。本文研究 360° 视频直播中的高带宽开销与用户视野（FoV）难以预测的问题，提出传输框架 GL360：利用图表示学习预测用户将观看的视频分块，再据此为各用户分配分块分辨率，而非将全部画面以高质量传输。 机制上，框架使用动态异构 Relational Graph Convolutional Network（RGCN）建模用户与视频分块的交互，学习两类节点的嵌入；通过在线动态异构图学习（DHGL）算法，在有限先验知识下捕捉观看行为的时变特征；最后由 FoV 感知内容分发算法支持边缘服务器确定各用户的视频分块分辨率。其研究重点是将行为预测与网络资源分配衔接，而非 EEG 解码或 BCI 控制。 作者报告，在真实轨迹数据上的实验中，GL360 的 FoV 预测及网络性能优于四种对照方案。摘要未提供轨迹数据集名称、用户数量、训练与测试划分、具体指标、对照方法及增益幅度，因此无法据此判断优势的规模与适用边界。图的关系定义、在线更新规则、监督信号、运行开销，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够提供有意义且可在线观测的异构关系，其动态图表示机制或可用于探索非平稳交互建模；但摘要尚不足以建立具体的 EEG 机制对应关系，不能将视频观看轨迹上的结果视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。