Approches robustes d’apprentissage automatique pour les réseaux de communication sans fil

Robust Machine Learning Approaches to Wireless Communication Networks

• Auteur / Autrice : Matteo Zecchin
• Direction : David Gesbert, Marios Kountouris
• Type : Thèse de doctorat
• Discipline(s) : Informatique, télécommunications et électronique
• Date : Soutenance le 15/12/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : Institut EURECOM (Sophia-Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Petar Popovski
• Jury : Examinateurs / Examinatrices : Motonobu Kanagawa, Andrea Zanella, Monica Navarro, Jakob Hoydis
• Jury : Rapporteurs / Rapporteuses : Petar Popovski, Carlo Fischione

Mots clés

Mots clés contrôlés

Intelligence artificielle

Apprentissage automatique

Systèmes de communication sans fil

Mots clés libres

Réseaux de communication sans

Apprentissage automatique

Optimisation distribuée

Apprentissage bayésien

Apprentissage fédéré

Apprentissage robuste

Wireless communication

Machine learning

Distributed optimization

Résumé

L'intelligence artificielle est largement considérée comme un élément clé des systèmes sans fil de sixième génération. Dans cette thèse, nous nous focalisons sur les problèmes fondamentaux résultant de l'interaction entre ces deux technologies dans le but d'ouvrir la voie à l'adoption d'une IA fiable dans les futurs réseaux sans fil. Nous développons des algorithmes distribués qui permettent l'apprentissage collaboratif à la périphérie des réseaux sans fil malgré les problèmes de communication, le manque de fiabilité des travailleurs et l'hétérogénéité des données. Nous examinons ensuite d'un œil critique l'application du paradigme d'apprentissage fréquentiste standard aux problèmes de communication sans fil et proposons une extension de l'apprentissage bayésien généralisé, qui permet de relever simultanément trois défis majeurs dans le domaine d'application : la rareté des données, la présence de valeurs aberrantes et la mauvaise spécification du modèle.

Artificial intelligence is widely viewed as a key enabler of sixth generation wireless systems. In this thesis we target fundamental problems arising from the interaction between these two technologies with the end goal of paving the way towards the adoption of reliable AI in future wireless networks. We develop of distributed training algorithms that allow collaborative learning at edge of wireless networks despite communication bottlenecks, unreliability of its workers and data heterogeneity. We then take a critical look at the application of the standard frequentist learning paradigm to wireless communication problems and propose an extension of the generalized Bayesian learning, that concurrently counteracts three prominent challenges arising in application domain: data scarcity, the presence of outliers and model misspecification.