WASP vid Institutionen för datavetenskap (IDA)

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 Čirkić, Fredrik Gunnarsson and Joel Berglund, Inter-Frequency Radio Signal Quality Prediction for Handover, Evaluated in 3GPP LTE, 2019 IEEE 89th Vehicular Technology Conference.
• Caroline Svahn and Oleg Sysoev (2022), Selective Imputation of Covariates in High Dimensional Censored Data, Journal of Computational and Graphical Statistics.

Extern partner

Ericsson AB

Foto iStock/Wenjie Dong Den snabba utvecklingen av strömmande sensorer har gjort det alltmer vanligt med spatiotemporala data. I det här projektet utvecklar vi sannolikhetsmodeller för spatiotemporala data med tillämpningar inom transportproblem.

Huvudsakligt fokus ligger på utveckling av beräkningseffektiva bayesianska metoder för lärande, prediktion och beslutsfattande för spatiotemporala data med nätverksstruktur.

Delprojekt

1. En bayesiansk dynamisk stokastisk blockmodell för storskaliga multinätverk med tillämpningar inom flygtrafik
2. Trafikflödesmodellering och prediction med gaussiska processer med vägnätstopologi.

Extern partner

Stockholms Lokaltrafik, SL

Ett urval publikationer

• Héctor Rodriguez Déniz, Mattias Villani (2022), Robust Real-Time Delay Predictions in a Network of High-Frequency Urban Buses, IEEE transactions on intelligent transportation systems (Print).
• Héctor Rodriguez Déniz, Mattias Villani, Augusto Voltes-Dorta (2022), A multilayered block network model to forecast large dynamic transportation graphs: An application to US air transport, Transportation Research Part C: Emerging Technologies
• Héctor Rodriguez Déniz, Erik Jenelius, Mattias Villani (2017), Urban Network Travel Time Prediction via Online Multi-Output Gaussian Process Regression, 2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)

Foto metamorworks Probabilistiska modeller och djupinlärning är två framgångsrika tekniker som används inom maskininlärning. Dessa båda tekniker har komplementära egenskaper. För att kunna dra nytta av styrkorna hos båda teknikerna ämnar vi att utveckla nya metoder och teorier för att överbygga klyftan dem emellan.

Probabilistiska modeller används ofta inom statistik och maskininlärning. I en probabilistisk modell ses de olika variablerna som stokastiska (slumpmässiga) och de beroenden som finns mellan variablerna representeras av en sannolikhetsfördelning.

Probabilistiska modeller har många önskvärda egenskaper. Bland annat möjliggör de att systematiskt hantera den osäkerhet som i princip all data i praktiken är behäftat med. Modellerna bli därigenom ”medvetna” om osäkerheten i deras prediktioner, något som är av yttersta vikt för att kvalitetssäkra de system där metoderna används.

Djupinlärning är en gren av maskininlärning som de senaste åren haft enastående framgångar inom en rad olika tillämpningar, så som datorseende, språkteknologi och mycket mer. Djupinlärning baseras på modeller som kallas för artificiella neurala nätverk. I de flesta fall tränas dessa nätverk med hjälp av övervakad inlärning från stora mängder träningsdata.

Tyvärr har framstegen inom djupinlärning också ett pris, de neurala nätverken saknar ofta de önskvärda egenskaper som finns hos probabilistiska modeller, som kvantifiering av osäkerhet och möjligheten att utnyttja a priori-kunskap om struktur och beroenden hos data.

I det här projektet vill vi utveckla teorier och metoder relaterade till samspelet mellan probabilistiska modeller och djupinlärning.

Vi avser att utveckla både nya modeller och nya inlärningsalgoritmer för tillämpningar där vissa variabler naturligt beskrivs med hjälp av exempelvis probabilistiska grafiska modeller eller stokastiska processer, medan data hämtas från ett område där djupinlärning har visat sig vara framgångsrikt (till exempel bilder).

Inom projektet kommer vi undersöka tillämpningar av den nya teorin inom bland annat medicinskt beslutsstöd, för aktiv maskininlärning och för halvövervakad inlärning av dynamiska system. Det finns dock ett stort antal tillämpningsområden som kan dra nytta av samspelet mellan djupinlärning och probabilistiska modeller och vi förväntar oss därför att resultatet av projektet ska komma till bred användning.

Externa partner

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