Machine learning (ML) applications continue to revolutionize many domains. In recent years, there has been considerable research interest in building novel ML applications for a variety of Internet of Things (IoT) domains, such as precision agriculture, smart cities, and smart manufacturing. IoT domains are characterized by continuous streams of data originating from diverse, geographically distributed sensors, and they often require a real-time or semi-real-time response. IoT characteristics pose several fundamental challenges to designing and implementing effective ML applications. Sensor/network failures that result in data stream interruptions is one such challenge. Unfortunately, the performance of many ML applications quickly degrades when faced with data incompleteness. Current techniques to handle data incompleteness are based upon data imputation ( i.e., they try to fill-in missing data). Unfortunately, these techniques may fail, especially when multiple sensors' data streams become concurrently unavailable (due to simultaneous sensor failures). With the aim of building robust IoT-coupled ML applications, this paper proposes SECOE, a unique, proactive approach for alleviating potentially simultaneous sensor failures. The fundamental idea behind SECOE is to create a carefully chosen ensemble of ML models in which each model is trained assuming a set of failed sensors (i.e., the training set omits corresponding values). SECOE includes a novel technique to minimize the number of models in the ensemble by harnessing the correlations among sensors. We demonstrate the efficacy of the SECOE approach through a series of experiments involving three distinct datasets. The experimental findings reveal that SECOE effectively preserves prediction accuracy in the presence of sensor failures.

Bản dịch tiếng Việt:

Các ứng dụng học máy (ML) tiếp tục cách mạng hóa nhiều lĩnh vực. Trong những năm gần đây, đã có mối quan tâm nghiên cứu đáng kể trong việc xây dựng các ứng dụng ML mới cho nhiều lĩnh vực Internet of Things (IoT), chẳng hạn như nông nghiệp chính xác, thành phố thông minh và sản xuất thông minh. Các miền IoT được đặc trưng bởi các luồng dữ liệu liên tục có nguồn gốc từ các cảm biến đa dạng, phân bố theo địa lý và chúng thường yêu cầu phản hồi theo thời gian thực hoặc bán thời gian thực. Các đặc điểm của IoT đặt ra một số thách thức cơ bản đối với việc thiết kế và triển khai các ứng dụng ML hiệu quả. Lỗi cảm biến/mạng dẫn đến gián đoạn luồng dữ liệu là một trong những thách thức như vậy. Thật không may, hiệu suất của nhiều ứng dụng ML nhanh chóng bị suy giảm khi dữ liệu không đầy đủ. Các kỹ thuật hiện tại để xử lý tình trạng dữ liệu không đầy đủ dựa trên việc quy nạp dữ liệu (tức là họ cố gắng điền vào dữ liệu bị thiếu). Thật không may, những kỹ thuật này có thể thất bại, đặc biệt khi luồng dữ liệu của nhiều cảm biến không khả dụng đồng thời (do lỗi cảm biến đồng thời). Với mục đích xây dựng các ứng dụng ML kết hợp IoT mạnh mẽ, bài viết này đề xuất SECOE, một cách tiếp cận chủ động, độc đáo để giảm thiểu các lỗi cảm biến có thể xảy ra đồng thời. Ý tưởng cơ bản đằng sau SECOE là tạo ra một tập hợp các mô hình ML được lựa chọn cẩn thận, trong đó mỗi mô hình được huấn luyện với giả định một bộ cảm biến bị lỗi (tức là tập huấn luyện bỏ qua các giá trị tương ứng). SECOE bao gồm một kỹ thuật mới để giảm thiểu số lượng mô hình trong quần thể bằng cách khai thác mối tương quan giữa các cảm biến. Chúng tôi chứng minh tính hiệu quả của phương pháp SECOE thông qua một loạt thử nghiệm liên quan đến ba bộ dữ liệu riêng biệt. Các phát hiện thực nghiệm cho thấy SECOE duy trì hiệu quả độ chính xác của dự đoán khi có lỗi cảm biến.

Document Ready

Click below to load the full PDF document natively.