Notice bibliographique
Résumé
There is a consensus that trends in emerging wireless technologies, such as explosive data requirements and proliferating services and applications, are creating serious issues for the management of user experience.This is due to the fact that, unlike Quality-of-Service (QoS), for which technical metrics are available such as packet error rate, it is difficult to analytically model and measure "user experience" in wireless networks.Besides, current communication networks use design methodologies that prevent the realization of maximum network efficiency.For all these reasons, more agile, intelligent, and flexible networks are required.Such networks should be capable of micro-managing resources in a way that meets each user's service quality expectations while using a minimum amount of resources.This micro-management of network resources has ushered in the concept of wireless network personalization.Personalized networks optimize two correlated and contradicting objectives in real time: user satisfaction and resource utilization.In this thesis, the utilization of Artificial Intelligence (AI), big data analytics, and real-time non-intrusive user feedback is proposed in order to enable the personalization of wireless networks.Based on each user's actual QoS requirements and context, a Multi-Objective Optimization (MOO) formulation enables the network to micro-manage and optimize the provided QoS and user satisfaction levels simultaneously.In addition, to enable user feedback tracking and measurement, user satisfaction is modeled based on the Zone of Tolerance concept.Furthermore, a big data-driven AI-based personalization framework is proposed to integrate personalization into wireless networks.Moreover, a MOO problem is formulated to model the personalized resource allocation problem in wireless networks.Then, to validate the formulated problem, a proof-of-concept prototype is built using the wireless personalization framework in which Evolutionary Multi-Objective Optimization (EMOO) is utilized to find the optimum Pareto front solutions.Finally, since user privacy is a crucial concern, a privacy-preserving framework, which is based on the concept of Differential Privacy, is proposed for personalized wireless networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».