Forskningsprojekt Resurseffektiv maskininlärning i komplexa nätverk

Moderna maskininlärningsmodeller och stora dataset bearbetas i dag i komplexa nätverk. När man ska träna upp maskininlärningsmodeller krävs en massiv parallell bearbetning för att göra beräkningarna hanterbara.

Dessutom samlas och bearbetas data allt oftare in med hjälp av sakernas internet (internet of things, IoT) i nätverk där smartphones, hushållsapparater och trådlösa sensorer ingår. Energiresurserna är begränsade och kommunikationen sker över delade trådlösa nätverk där tillförlitligheten, anslutningsmöjligheterna och datahastigheterna är låga.

Framgången för maskininlärning i den här typen av nätverk baseras till stor del på att utnyttja mer och mer kommunikations-, beräknings- och energiresurser. Detta är ohållbart!

Målet med det här projektet är att främja den systematiska designen och de teoretiska grunderna för resurseffektiv maskininlärning i komplexa nätverk. Vi delar tiden lika mellan tre huvudaktiviteter som undersöks parallellt:

1. Kommunikationseffektiv maskininlärning: Hur komprimerar man algoritminformation samtidigt som prestanda bibehålls?
2. Maskininlärning i trådlösa nätverk: Hur kan den bästa maskininlärningsprestandan säkerställas med begränsade delade kommunikationsresurser?
3. Energieffektiv maskininlärning i IoT: Hur bör avvägningen göras mellan kommunikations- och beräkningsresurser?

Vårt fokus ligger på praktiska algoritmer med bevisbara prestandagarantier, baserade på matematiska modeller som verifieras genom simuleringar och experiment med riktiga IoT-enheter eller mikrodatorer.