Kontinuerlig inlärning för resursbegränsade 6G Ambient IoT-enheter
Diarienummer | |
Koordinator | RISE Research Institutes of Sweden AB |
Bidrag från Vinnova | 99 744 kronor |
Projektets löptid | januari 2025 - juni 2025 |
Status | Avslutat |
Utlysning | 6G - Kompetensförsörjning |
Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Målet med examensarbetet var att göra Mondrian-skogar redo för inbyggda system. Mondrian-skogar möjliggör inlärning direkt på enheten, även på strömsnåla enheter, utan behov av träning i molnet. Innan examensarbetet fanns endast en version i Python. Arbetet har portat den befintliga implementationen till C och utvärderat prestandan. Examensarbetet finns tillgängligt på https://uu.diva-portal.org/smash/record.jsf? pid=diva2%3A1979257&dswid=-6317
Långsiktiga effekter som förväntas
Det förväntade resultatet var att demonstrera online-inlärning på Ambient IoT-enheter genom att implementera ett online-inlärningssystem som möjliggör modellträning direkt på sådana enheter. Träning på enheten möjliggör (1) modellträning med lokal data utan att dela data, vilket ger integritetsbevarande beräkning, (2) personalisering av modeller och anpassning till omgivningen, samt (3) att distribuera exakta modeller var som helst utan behov av stabil internetanslutning. Detta har uppnåtts.
Upplägg och genomförande
Efter en litteraturstudie som behandlade de teoretiska grunderna för Mondrian Forests och relaterat arbete, portade studenten den befintliga implementationen av Mondrian Forests från Python till C. Implementation anpassades därefter för resursbegränsningarna hos IoT-enheter, och olika metoder för att minska minnesanvändningen implementerades och utvärderades. Studenten hade veckovisa möten med sina handledare.