منصب الدكتوراه - التعلم المتزايد المستقل المضمن

تفاصيل الفرصة

المكافأة الإجمالية

0 $

جامعة حكومية

CEA Tech

المنطقة

أوروبا الغربية

البلد المضيف

فرنسا

آخر موعد للتقديم

31 أكتوبر 2021

المستوى التعليمي

الدكتوراه

نوع الفرصة

الدكتوراه

التخصصات

تكنولوجيا المعلومات وعلوم الحاسوب

تمويل الفرصة

غير ممولة

الدول المؤهلة

هذه الفرصة متوفرة لجميع البلدان

المنطقة المؤهلة

جميع المناطق

SL-DRT-21-0465

مجال البحث

الذكاء الاصطناعي وذكاء البيانات

نبذة مختصرة

يعد التطور الأخير لخوارزميات التعلم التزايدية للشبكات العصبية العميقة فرصة لتخيل تطبيقات استشعار ذكية جديدة منتشرة في بيئات حقيقية. من خلال القدرة المتزايدة على تعلم المهام الجديدة ، سيكون المستشعر قادرًا على تخصيص سلوكه لبيئة النشر الخاصة به ، مما يسمح له بالتكيف مع الاختلافات البطيئة للمهام المستهدفة (مثل اكتشاف أنواع مختلفة من الحالات الشاذة) أو تعلم مهام جديدة لم تكن متوقعة في البداية. هذا الاحتمال من شأنه أن يجعل الخدمة التي يقدمها المستشعر المستقل أكثر وأكثر صلة. الهدف من هذه الأطروحة هو استكشاف الوسائل التي يمكن من خلالها أن يصبح المستشعر الذكي مستقلاً بشكل كامل في تطوره مع مراعاة قدرة المعالجة المحدودة للنظام المضمن. أيضًا ، نظرًا لاستهلاك الطاقة المحدود للمنصة ، فإن الفكرة هي ربط نظامين مدمجين ، أولهما "يعمل دائمًا" وينفذ المهمة الاسمية للتطبيق (مثل اكتشاف فئات مختلفة من الأحداث أو الحالات الشاذة) ، والثاني وهو "عند الطلب" والذي سيتم تنفيذه بين الحين والآخر ، من أجل إعادة تدريب نموذج الجزء "Always-on". من أجل التماسك ، من الضروري أن تكون نسبة استهلاك الطاقة للمنصتين بنسبة 1: 100 إلى 1: 1000 تقريبًا ، وتتعدد التحديات التي تواجه تصميم مثل هذا النظام: الأول هو تصميم آليات الكشف القادرة للعثور على أمثلة سلبية خاطئة (فصول متغيرة ببطء) وكذلك أمثلة جديدة (فصول جديدة). يجب تنفيذ هذه الآليات على منصة "Always-on" ، مع قيود التنفيذ المرتبطة بها. تتعلق الصعوبة الثانية بمرحلة إعادة التدريب التي يتم تنفيذها على منصة "حسب الطلب". يجب أن تأخذ هذه المرحلة في الاعتبار بنية نموذج "Always-on" حتى تتمكن من إعادة تدريبه بأمثلة جديدة. هذا سواء من أجل التعرف ببطء على تعديلات مهمة الكشف الحالية أو لتعلم مهمة جديدة دون نسيان المهام القديمة. نظرًا لأن هذه مساحة تطبيق جديدة ، يجب أن يكون مرشح الدكتوراه قادرًا على فهم واسع للموضوع وسيتعين عليه بالضرورة معالجة عدد كبير من المجالات بما في ذلك خوارزميات مختلفة للتعلم التدريجي وخوارزميات مختلفة للتدريب على التعلم العميق ومتطلبات الأجهزة اللازمة لـ تشغيل هذه الخوارزميات في السياق المضمن.