英特尔 http://www.intel.com/

日前，英特尔和美国国家科学基金会（NSF）宣布对未来无线系统开发研究的联合资助获奖者。该机器学习的无线网络系统  （MLWiNS）计划是一个系列，以支持研究两个伙伴之间的共同努力，可以加速创新，实现超密集的无线系统，而且能够满足吞吐量，时延和可靠性架构的焦点最新未来应用程序的要求。同时，该程序将针对无线边缘网络上的分布式机器学习计算进行研究，以实现广泛的新应用。

英特尔实验室大学研究与合作总监Gabriela Cruz Thompson表示：“自2015年以来，英特尔和NSF共同捐款超过3,000万美元，以支持新兴技术领域的科学和工程研究。MLWiNS是此次合作的下一步，它有望使未来的无线系统能够满足世界对普及的智能设备不断增长的需求。” 

随着对高级连接服务和设备的需求增长，未来的无线网络将需要满足这些应用程序所要求的密度，延迟，吞吐量和安全性方面的挑战。机器学习显示出管理此类网络的规模和复杂性的巨大潜力-满足容量和覆盖范围的需求，同时保持网络用户期望的严格和多样化的服务质量。同时，复杂的网络和设备为机器学习服务和计算提供了机会，使其可以更靠近数据生成的地方进行部署，从而减轻了将数据移至云时的带宽，隐私，延迟和可扩展性。

NSF的信息科学与工程专业、计算机和网络助理总监Margaret Martonosi表示：“ 5G及更高网络需要支持吞吐量，密度和等待时间要求，这些要求比当前无线网络所能支持的数量级高几个数量级，并且它们还需要安全和节能， MLWiNS计划旨在激发可以帮助满足这些要求的新颖的机器学习研究，今天宣布的奖项旨在将创新的机器学习技术应用于未来的无线网络设计，以实现这种进步和能力。”

通过MLWiNS，英特尔和NSF将为之研究提供资金，以推动新的无线系统和体系结构设计，提高稀疏频谱资源的利用率并增强无线边缘网络上的分布式机器学习计算。获奖者将在机器学习和无线网络的多个领域进行研究。重点领域和项目示例包括：

无线网络的强化学习：弗吉尼亚大学和宾夕法尼亚州立大学的研究团队将研究强化学习，以优化无线网络的运行，重点在于解决融合问题，利用知识转移方法来减少必要的培训数据量，并架起桥梁。通过情节方法在基于模型的增强学习与无模型的增强学习之间的差距。

边缘计算的联合学习：

北卡罗莱纳大学夏洛特分校的研究人员将探索通过无线通信加快多跳联合学习的方法，该方法允许多组设备协作训练共享的全局模型，同时将其数据保持本地和私有。与利用单跳无线通信的经典联合学习系统不同，多跳系统更新需要经过多个嘈杂且干扰丰富的无线链路，这可能导致更新速度变慢。研究人员旨在通过系统地解决通信延迟以及系统和数据异质性的挑战，开发一种具有保证的稳定性，高精度和快速收敛速度的新型无线多跳联邦学习系统，以克服这一挑战。

佐治亚理工学院的研究人员将分析和设计用于边缘计算的联合和协作机器学习训练以及推理方案，目的是提高无线网络的效率。该团队将通过边缘实时深度学习来应对挑战，包括有限和动态的无线通道带宽，跨边缘设备的不均匀分布的数据以及设备上的资源限制。

南加州大学和加州大学伯克利分校的研究将集中于以编码为中心的方法，以增强无线通信上的联合学习。具体来说，研究人员将努力解决以下挑战：处理无线边缘处的非独立且分布均匀的数据和异构资源，并最大程度地降低用户的上传带宽成本，同时强调从分布式数据中学习时的隐私和安全性问题。

跨多个边缘设备的分布式培训：莱斯大学的研究人员将通过将大型集中式神经网络分成一组独立的子网络来进行培训，这些网络可以在边缘的不同设备上进行训练。这可以减少训练时间和复杂性，同时限制对模型准确性的影响。

利用信息理论和机器学习来改善无线网络性能：麻省理工学院，弗吉尼亚理工学院和州立大学的研究团队将合作探索深度神经网络的使用，以解决无线网络的物理层问题。他们将利用信息理论工具来开发新算法，以更好地解决非线性失真问题，并放宽对无线网络中遇到的噪声和损伤的简化假设。

从射频签名进行深度学习：  俄勒冈州立大学的研究人员将研究跨层技术，这些技术利用收发器硬件，无线射频（RF）域知识和深度学习的组合功能来实现有效的无线设备分类。具体来说，重点将放在利用RF信号知识和收发器硬件损伤来开发有效的基于深度学习的设备分类技术，该技术可随大量和新兴的无线设备扩展，对设备签名克隆和复制具有鲁棒性，并且与设备无关环境和系统失真。