福利姬

Foto iStock/12521104 I jämförelse med 4G finns en uppsjö av nya applikationer för 5G, allt från traditionella effektiva bredbandskommunikationslänkar till mer strikt säkra kommunikationslänkar som är lämpliga för kritisk kommunikation i industriella applikationer eller massiv kommunikation som vanligtvis är förknippade med Internet of things.

I detta projekt utvecklar vi lösningar för att öka autonomi av 5G-nätverk med syftet att förbättra nätverksprestanda, minska driftskomplexiteten och öka resiliens. Användning av probabilistiska maskininlärningsmodeller i projektet är en grund för ett optimalt beslutsfattande, särskilt för att uppfylla kraven på extrem pålitlighet där osäkerhetsinformation är avgörande.

Projektet syftar till att använda probabilistiska klassificerings- och regressionsmodeller för att garantera flexibilitet och autonomi av 5G-komponenter, och även använda spatiala och temporala modeller för att få in dynamiska aspekter såsom enhetshastighet, enhetsrörelseriktning eller dagliga / månatliga variationer av nätverkets arbetsbelastning. För att kunna autonomt anpassa sig till olika miljöförändringar och störningar syftar projektet till att integrera online learning komponenter i våra metoder.

Effektivitet och skalbarhet är utmaningar inom effektiv utveckling av autonoma 5G-miljöer, och utvecklingen av lämpliga Big Data metoder är ännu ett mål för projektet.

Publikationer

• Caroline Svahn, Oleg Sysoev, Mirsad 膶irki膰, Fredrik Gunnarsson and Joel Berglund, , 2019 IEEE 89th Vehicular Technology Conference.
• Caroline Svahn and Oleg Sysoev (2022), , Journal of Computational and Graphical Statistics.

Extern partner

Ericsson AB

Foto iStock/Wenjie Dong Den snabba utvecklingen av str枚mmande sensorer har gjort det alltmer vanligt med spatiotemporala data. I det h盲r projektet utvecklar vi sannolikhetsmodeller f枚r spatiotemporala data med till盲mpningar inom transportproblem.

Huvudsakligt fokus ligger p氓 utveckling av ber盲kningseffektiva bayesianska metoder f枚r l盲rande, prediktion och beslutsfattande f枚r spatiotemporala data med n盲tverksstruktur.

Delprojekt

1. En bayesiansk dynamisk stokastisk blockmodell f枚r storskaliga multin盲tverk med till盲mpningar inom flygtrafik
2. Trafikfl枚desmodellering och prediction med gaussiska processer med v盲gn盲tstopologi.

Extern partner

Stockholms Lokaltrafik, SL

Ett urval publikationer

• H茅ctor Rodriguez D茅niz, Mattias Villani (2022), , IEEE transactions on intelligent transportation systems (Print).
• H茅ctor Rodriguez D茅niz, Mattias Villani, Augusto Voltes-Dorta (2022), , Transportation Research Part C: Emerging Technologies
• H茅ctor Rodriguez D茅niz, Erik Jenelius, Mattias Villani (2017), , 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)

Foto metamorworks Probabilistiska modeller och djupinl盲rning 盲r tv氓 framg氓ngsrika tekniker som anv盲nds inom maskininl盲rning. Dessa b氓da tekniker har komplement盲ra egenskaper. F枚r att kunna dra nytta av styrkorna hos b氓da teknikerna 盲mnar vi att utveckla nya metoder och teorier f枚r att 枚verbygga klyftan dem emellan.

Probabilistiska modeller anv盲nds ofta inom statistik och maskininl盲rning. I en probabilistisk modell ses de olika variablerna som stokastiska (slumpm盲ssiga) och de beroenden som finns mellan variablerna representeras av en sannolikhetsf枚rdelning.

Probabilistiska modeller har m氓nga 枚nskv盲rda egenskaper. Bland annat m枚jligg枚r de att systematiskt hantera den os盲kerhet som i princip all data i praktiken 盲r beh盲ftat med. Modellerna bli d盲rigenom 鈥漨edvetna鈥� om os盲kerheten i deras prediktioner, n氓got som 盲r av yttersta vikt f枚r att kvalitetss盲kra de system d盲r metoderna anv盲nds.

顿箩耻辫颈苍濒盲谤苍颈苍驳 盲r en gren av maskininl盲rning som de senaste 氓ren haft enast氓ende framg氓ngar inom en rad olika till盲mpningar, s氓 som datorseende, spr氓kteknologi och mycket mer. 顿箩耻辫颈苍濒盲谤苍颈苍驳 baseras p氓 modeller som kallas f枚r artificiella neurala n盲tverk. I de flesta fall tr盲nas dessa n盲tverk med hj盲lp av 枚vervakad inl盲rning fr氓n stora m盲ngder tr盲ningsdata.

Tyv盲rr har framstegen inom djupinl盲rning ocks氓 ett pris, de neurala n盲tverken saknar ofta de 枚nskv盲rda egenskaper som finns hos probabilistiska modeller, som kvantifiering av os盲kerhet och m枚jligheten att utnyttja a priori-kunskap om struktur och beroenden hos data.

I det h盲r projektet vill vi utveckla teorier och metoder relaterade till samspelet mellan probabilistiska modeller och djupinl盲rning.

Vi avser att utveckla b氓de nya modeller och nya inl盲rningsalgoritmer f枚r till盲mpningar d盲r vissa variabler naturligt beskrivs med hj盲lp av exempelvis probabilistiska grafiska modeller eller stokastiska processer, medan data h盲mtas fr氓n ett omr氓de d盲r djupinl盲rning har visat sig vara framg氓ngsrikt (till exempel bilder).

Inom projektet kommer vi unders枚ka till盲mpningar av den nya teorin inom bland annat medicinskt beslutsst枚d, f枚r aktiv maskininl盲rning och f枚r halv枚vervakad inl盲rning av dynamiska system. Det finns dock ett stort antal till盲mpningsomr氓den som kan dra nytta av samspelet mellan djupinl盲rning och probabilistiska modeller och vi f枚rv盲ntar oss d盲rf枚r att resultatet av projektet ska komma till bred anv盲ndning.

Externa partner

• Chalmers tekniska h枚gskola:
• Lennart Svensson (PI)
• Jakob Lindqvist (WASP-MLX PhD student)