23 articoli
Questo studio dimostra che, per l'implementazione di modelli di classificazione temporale su dispositivi microcontrollori a risorse limitate, le reti 1D-CNN offrono prestazioni superiori rispetto alle LSTM in termini di accuratezza, efficienza di memoria e velocità di inferenza, rendendole la scelta ideale per il TinyML.
Il documento presenta FluxSieve, un'architettura unificata che integra un livello di precalcolo e filtraggio direttamente nel percorso di ingestione dei dati per migliorare le prestazioni delle query nelle piattaforme di osservabilità cloud, ottenendo miglioramenti fino a ordini di grandezza con costi computazionali e di archiviazione trascurabili.
Lo studio valuta diverse tecniche di apprendimento per rinforzo offline in un ambiente telecomunicazioni stocastico, dimostrando che il Conservative Q-Learning offre la maggiore robustezza e rappresenta la scelta predefinita più affidabile per la gestione dei reti future, sebbene i metodi basati su sequenze possano risultare competitivi in presenza di dati ad alto rendimento.