23 Arbeiten
Diese Studie zeigt, dass 1D-CNNs im Vergleich zu LSTMs für TinyML-Anwendungen auf ressourcenbeschränkten Mikrocontrollern aufgrund ihrer überlegenen Energieeffizienz, ihres geringeren Speicherbedarfs und ihrer deutlich schnelleren Inferenzzeit bei vergleichbarer oder höherer Genauigkeit die praktischere Wahl darstellen.
Die Arbeit stellt FluxSieve vor, eine einheitliche Architektur, die durch die Einbettung einer leichtgewichtigen Vorverarbeitungs- und Filterungsschicht direkt in den Dateningestionspfad Streaming- und Analytik-Datenpläne vereint und damit bei vernachlässigbarem Speicher- und Rechenaufwand die Abfrageleistung in skalierbaren Cloud-Observability-Plattformen um Größenordnungen verbessert.
Die Studie zeigt, dass Conservative Q-Learning aufgrund seiner Robustheit gegenüber stochastischen Netzwerkdynamiken die bevorzugte Offline-Reinforcement-Learning-Methode für die KI-gesteuerte Steuerung zukünftiger drahtloser Netzwerke wie O-RAN und 6G ist, während sequenzbasierte Methoden bei ausreichenden hochwertigen Daten konkurrenzfähig bleiben.