AI-Driven Resource Management for Heterogeneous Industrial IoT: Challenges and Opportunities
Notice bibliographique
Résumé
The heterogeneous industrial Internet of things (IIoT) is emerging as a cornerstone of intelligent manufacturing, integrating diverse radio access technologies to meet the stringent and varied demands of industrial applications. However, the substantial complexity of resource management also is introduced by the heterogeneity, where conventional optimization-based methods struggle to cope with high-dimensional, dynamic, and partially observable environments. Recent advances in artificial intelligence (AI) have opened new avenues for achieving autonomous, adaptive, and data-driven resource management in IIoT networks. Therefore, this paper presents a comprehensive study on AI-driven resource management for heterogeneous IIoT systems. Particularly, typical industrial applications and their distinct performance requirements are first analyzed to highlight the need for heterogeneous network integration. Then, a unified AI-driven framework is presented to integrate the sensing, prediction, and optimization through synergistic AI paradigms such as deep learning, deep reinforcement learning, federated learning, large language models, as well as generative AI. Building upon this framework, three key enabling techniques including AI-driven random access, AI-driven resource scheduling and AI-driven heterogeneous collaboration are systematically investigated. Finally, several open challenges and potential research directions are discussed to inspire future innovations toward scalable, interpretable, and resource-efficient AI-native industrial 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,012 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».