Resumen

Hoy en día, el Internet de las Cosas (IoT) da lugar a una gran cantidad de datos. Los nodos de IoT equipados con sensores inteligentes pueden extraer inmediatamente conocimientos significativos de los datos a través de tecnologías de aprendizaje automático. El aprendizaje profundo (DL) contribuye constantemente a un progreso significativo en la detección inteligente debido a sus ventajas dramáticas sobre el aprendizaje automático tradicional. La perspectiva prometedora de aplicaciones de amplio alcance plantea demandas sobre la implementación ubicua de DL en diversos contextos. Como resultado, realizar DL en plataformas móviles o integradas se está convirtiendo en un requisito común. Sin embargo, una aplicación típica de DL puede agotar fácilmente un dispositivo integrado o móvil debido a una gran cantidad de operaciones de multiplicación y acumulación (MAC) y operaciones de acceso a la memoria. En consecuencia, es una tarea desafiante cerrar la brecha entre el aprendizaje profundo y las plataformas limitadas de recursos. Resumimos las aplicaciones típicas de aprendizaje profundo con recursos limitados y señalamos que el aprendizaje profundo es un impulso indispensable de la computación ubicua. Posteriormente, exploramos las razones subyacentes del alto costo computacional de DL a través de la revisión de conceptos fundamentales que incluyen capacidad, generalización y retropropagación de una red neuronal. Guiados por estos conceptos, investigamos los principios de trabajos de investigación representativos, así como tres tipos de soluciones: diseño algorítmico, optimización computacional y revolución en hardware. En función de estas soluciones, identificamos los desafíos a abordar.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Internet de las cosas; Aprendizaje profundo; Aprendizaje automático; Detección inteligente; Plataformas con recursos limitados; Sobrecarga computacional.
• Keywords:Internet of things; Deep learning; Machine learning; Smart sensing; Resource-limited platforms; Computational overhead