UAV Communications (無人機通訊)

  • 概念:為了支援物聯網的大量行動通訊應用場景及業務服務,使用無人機預期有更靈活的可擴展性來幫助提升資料蒐集、資源分配的效率。

  • 研究議題
    • 無人機軌跡優化(Trajectory Optimization):藉由設計UAV的軌跡和排定收集感測器觀測值的時機點,重建資料後卸載給下載點。
    • 動態連接無人機基站(Dynamically Connectable UAV-BSs):探討可動態連接無人機的群聚策略,以及衍生的合作式傳輸、能量共享、使用者分群。

Distributed AI and Machine Learning (分散式人工智慧和機器學習方法)

  • 概念:透過分散式最佳化演算法的開發,進行大數據分析和機器學習所需之運算,可應用於推薦系統
    、物聯網、情緒運算、多視角分群等應用之中。

  • 研究議題:
    • 聯邦式學習(Federated Learning):提出可讓用戶在不將個人資料回傳給資料中心的情況下,進行模型的訓練或統計上的推論。
    • 推薦系統(Recommender System):利用使用者的歷史資訊,提出物品或地點的個人化推薦機制。

Machine Learning for Communications (應用於通訊之機器學習技術)

  • 概念:利用機器學習去取代通訊系統在複雜情境底下所需進行的高複雜度運算,提升通訊效能,並建立通訊網路架構來因應未來大數據的傳輸。
  • 研究議題:

    • 深度學習無線通訊(Deep Learning for Wireless Communication):利用深度學習的技術來提升通訊系統最佳化的效能,並提出以深度學習為編解碼和調變基礎的架構。

    • 支應機器學習的邊端運算架構(edge computing for machine learning):提出可支應分散式機器學習需求的邊端運算和通訊架構。

Signal Processing for Internet of Things (IoT) and Sensor Networks (物聯網與無線感測網路之訊號處理技術)

  • 概念:物聯網及感測網路利用無線連結和感測技術賦予機器更多的智慧,也提供人類更大的便利。
  • 研究議題:
    • 分散式檢測、估測與壓縮:感測器將觀測值量化或壓縮後傳送給資料融合中心,資料融合中心再依所接收到的資訊做最後的統計推論。

    • 步態辨認(Gait Recognition):利用穿戴式裝置的異質性感測資料進行步態和人體狀態分析。

    • 群眾外包(Crowdsourcing):提出有效的演算法對群眾外包所獲得的資料進行資料融合以及統計推論,並探討工作分配的問題。