Ժամանակահատված
Ընդհանուր տվյալներ
IoT ցանցերի տեսական նախագծերի ճշգրիտ հարմարեցումը իրական սցենարներում, որը կարևոր է համաճարակների նման ճգնաժամերի ժամանակ, պահանջում է ընդհանրացվող լուծումներ, որոնք կարող են լուծել առաջացող տարբեր խնդիրներ, ինչպիսիք են հանգույցների տեղադրումը և տրաֆիկի կանխատեսումը:
Մեքենայական ուսուցման (ML) լուծումները պետք է կարողանան սպասարկել IoT-ում հանգույցի տեղակայման բազմազան փոփոխականները: IoT-ի համար ML-ի ներկայիս մոտեցումները սահմանափակ են, այդ իսկ պատճառով DISTAL-ը առաջարկում է շրջանակ, որն անդրադառնում է տվյալների «տեղաշարժի» խնդիրներին նորարարական ML մոտեցումների միջոցով: Այն ներկայացնում է անլար ցանցերի համար տվյալների բաշխման շեղման (OOD) մեթոդաբանություն, օգտագործում է տվյալների հավաքածուներ մեծ մասշտաբի IoT փորձարակական միջավայրերից (testbed), իրականացնում է համապարփակ գնահատում և ստուգում առաջարկված մեթոդները իրական IoT տեղակայումներում:
DISTAL-ի նորույթը նոր մոտեցումների կիրառումն է՝ կենտրոնանալով տվյալների տեղաշարժի վրա, օգտագործելով անվճար հասանելիության ֆիզիկական ռեսուրսները և ապահովելով անցում տեսությունից դեպի լաբորատորիա և պրակտիկա:
