| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | d4a445fa-6b5b-4b28-b597-dcb673fa8b4e |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 1/1/2019 |
|---|
| End | 12/31/2020 |
|---|
| title fr |
|
|---|
| title nl | Denk klein: heroverwegen van de nood aan big data in draadloze netwerken
|
|---|
| title en | Think small: reconsidering the need for big data in wireless networks
|
|---|
| Description fr |
|
|---|
| Description nl | Draadloze netwerken zijn complexer dan ooit met een toenemende configureerbaarheid. Het begrijpen van alle aspecten van complexe draadloze systemen en het bieden van oplossingen wordt onhaalbaar, zelfs voor domeinexperts. Dientengevolge is er in draadloze systemen een voortdurende trend om machine learning toe te passen, een techniek waarbij computers leren van data om kennis van experts te vermijden. Machinaal leren wordt momenteel gebruikt in draadloze netwerken voor taken zoals prestatievoorspelling, herkenning van technologieën zoals Wi-Fi, LTE, Bluetooth, enz. En netwerkoptimalisatie (bijvoorbeeld lokalisatiesysteem met heterogene instellingen). State-of-the-art benaderingen vereisen echter grote datasets met annotaties met betrekking tot prestaties en technolo- gieën van monsters. Deze benadering vereist dat bedrijven een enorme hoeveelheid tijd besteden aan het genereren en annoteren van (handmatige) datasets voordat er waarde wordt gecreëerd, waardoor big data-learning te duur wordt voor veel problemen die Vlaamse netwerkbedrijven tegenkomen. Daarom is het doel van dit project om technieken te ontwikkelen die op "kleine gegevens" gebaseerde draadloze machineleren mogelijk maken, ofwel door op intelligente wijze minder maar meer relevante informatie te verzamelen of door inzichten uit eerdere optimalisaties te hergebruiken. We stellen nieuwe benaderingen voor het leren van machines voor om met gedeeltelijk geannoteerde datasets om te gaan, methoden om kennis over te dragen naar nieuwe technologieën of omgevingen en uiteindelijk methoden om efficiënt te identificeren welke labels nodig zijn voor snel leren.
|
|---|
| Description en | Wireless networks are more complex than ever with an increasing configurability. Understanding all aspects of complex wireless systems and providing solutions becomes infeasible, even for domain experts. As a consequence, in wireless systems there is an ongoing trend to apply machine learning, a technique were computers learn from data to avoid the need of knowledge from experts. Machine learning is currently used in wireless networks for tasks such as performance prediction, recognition of technologies such as Wi-Fi, LTE, Bluetooth, etc. and network optimisation (e.g. localization system with heterogeneous settings). However, state of the art approaches require big datasets with annotations regarding performance and technologies of samples. This approach requires companies to spend a huge amount of time on (manual) dataset generation and annotation before any value is created, making big data learning approach too expensive for many problems encountered by Flemish networking companies. Therefore, the goal of this project is to develop techniques that enable "small data"-based wireless machine learning, either by intelligently collecting less but more relevant information or by reusing insights from past optimisations. We propose novel machine learning approaches to cope with partially annotated datasets, methods for transferring knowledge towards new technologies or environments and finally methods for efficiently identifying which labels are required for fast learning.
|
|---|
| Qualifiers | - Draadloze netwerken - Wireless networks - machine learning - optimalisatie - optimization - |
|---|
| Personal | De Poorter Eli, Fontaine Jaron |
|---|
| Collaborations | |
|---|
