Resursmedveten kontinuerlig inlärning för resursbegränsade 6G Ambient IoT-enheter

Syfte och mål

En av 6G:s huvudvisioner är att möjliggöra uppkoppling för ett mycket stort antal IoT-enheter, vida bortom kapaciteten hos dagens nätverk som 4G och 5G. Dock förlitar sig dagens IoT-enheter i huvudsak på modeller tränade i molnet, vilket försvårar anpassningen till de specifika egenskaperna och dynamiken i de miljöer där de används. Syftet med detta arbete är att möjliggöra on-deviceträning, så att modellerna fortlöpande kan anpassas till sin lokala kontext.

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 träffsäkra modeller även där stabil internetanslutning saknas.

Planerat upplägg och genomförande

Efter en litteraturöversikt som behandlar de teoretiska grunderna och implementeringsdetaljerna för Mondrian Forests är nästa steg att demonstrera genomförbarheten hos en implementation som inte kräver lagring av hela den datamängd som används för förträning. Denna implementation behöver troligen optimeras för IoT-enheternas resursbegränsningar, såsom minnesanvändning och energiförbrukning. Slutligen kommer den föreslagna metoden att utvärderas och avhandlingen att författas och försvaras.