LLM-ABR: Het Ontwerpen van Adaptieve Bitrate-algoritmen via Grote Taalmodellen

LLM-ABR: Designing Adaptive Bitrate Algorithms via Large Language Models

April 2, 2024

Auteurs: Zhiyuan He, Aashish Gottipati, Lili Qiu, Francis Y. Yan, Xufang Luo, Kenuo Xu, Yuqing Yang

cs.AI

Samenvatting

We presenteren LLM-ABR, het eerste systeem dat de generatieve mogelijkheden van grote taalmodellen (LLMs) benut om autonoom adaptieve bitrate (ABR) algoritmen te ontwerpen die zijn afgestemd op diverse netwerkeigenschappen. Binnen een reinforcement learning-raamwerk stelt LLM-ABR LLMs in staat om cruciale componenten zoals toestanden en neurale netwerkarchitecturen te ontwerpen. We evalueren LLM-ABR in verschillende netwerkomgevingen, waaronder breedband, satelliet, 4G en 5G. LLM-ABR presteert consistent beter dan standaard ABR-algoritmen.

English

We present LLM-ABR, the first system that utilizes the generative capabilities of large language models (LLMs) to autonomously design adaptive bitrate (ABR) algorithms tailored for diverse network characteristics. Operating within a reinforcement learning framework, LLM-ABR empowers LLMs to design key components such as states and neural network architectures. We evaluate LLM-ABR across diverse network settings, including broadband, satellite, 4G, and 5G. LLM-ABR consistently outperforms default ABR algorithms.