Смещение домена в приложениях машинного обучения в Интернете вещей

Точная адаптация теоретического проекта сети для IoT в реальных сценариях, что имеет решающее значение во время кризисов, таких как пандемии, требует общих решений, решающих различные проблемы, такие как размещение узлов и прогнозирование трафика. Решения машинного обучения (ML) должны гибко учитывать различные переменные развертывания Интернета вещей. Существующие подходы ML для Интернета вещей ограничены; таким образом, DISTAL предлагает структуру, позволяющую решать проблемы смены предметной области с помощью инновационных разработок машинного обучения. Он представляет методологию внераспределения (OOD) для беспроводных сетей, использует детальные наборы данных с крупномасштабных испытательных стендов IoT, проводит комплексные оценки и проверяет методологии в реальных развертываниях IoT. Новизна DISTAL заключается в том, чтобы разрушить традиционные подходы, сосредоточив внимание на смене предметной области, использовании физических ресурсов с открытым доступом и переходе от теории к лаборатории и к практике.