Lokal inlärning för resursbegränsade 6G Ambient IoT-enheter

Syfte och mål

En av 6G:s visioner är att stödja ett antal IoT-enheter som vida överstiger vad som är möjligt med dagens nätverk som 4G och 5G. Dock förlitar sig dagens IoT-enheter vanligen på modeller tränade i molnet, vilket försvårar anpassning till den specifika kontext där de används. Syftet med detta arbete är därför att möjliggöra on-device-träning för dessa 6G Ambient IoT-enheter.

Förväntade effekter och resultat

Det förväntade resultatet är att påvisa genomförbarheten av online-lärande på Ambient IoT-enheter genom att utforma och implementera ett system för online-lärande, så att modeller kan tränas direkt på enheterna. On-device-träning möjliggör (1) modellträning med lokala data utan informationsdelning, vilket per definition bevarar dataintegritet, (2) personlig anpassning och miljöanpassning av modeller samt (3) distribution av exakta modeller även där stabil internetanslutning saknas.

Planerat upplägg och genomförande

Efter en litteraturöversikt som undersöker de teoretiska grunderna och implementeringsdetaljerna för Mondrian Forests, är nästa steg att implementera Mondrian Forests i C, förmodligen med hjälp av ett översättningsverktyg från Python. Denna implementering måste troligtvis optimeras för IoT-enheternas resursbegränsningar. Slutligen kommer metoden att utvärderas och avhandlingen att författas och försvaras.