Phân tích Ổn định Nhiệt (Thermal Stability) Mô hình AI: Tác động Nhiệt độ Chip đến Độ chính xác Dự đoán và Chiến lược Giảm tải Tính toán
AI và Tự động IoT
AI và Tự động IoT – Kiến thức, cách thức sử dụng AI để tự động quản lý IoT trong sản xuất và đời sống.
Tối ưu hóa Chi phí Giao tiếp (Communication Cost) trong Federated Learning: Gradient Compression và Selective Aggregation
Kiến trúc Mạng Nơ-ron Linear cho Ultra Low Latency: Tránh Max Pooling
Kỹ thuật Resource Constrained Learning cho IoT: Đào tạo Mô hình với Ràng buộc Bộ nhớ, Năng lượng, Thời gian Tính toán
Tối ưu Learning Rate Schedule cho On-Device Training: Lịch trình thích ứng duy trì hội tụ tài nguyên hạn chế
Phân Tích Chuyên Sâu: Self-Supervised Learning Cho Dữ Liệu Thời Gian Thực Với Pretext Tasks Từ Cảm Biến Chưa Nhãn
Thiết kế Kiến trúc AI: Giảm Thiểu Information Loss trong Nén Dữ liệu bằng Lossless Compression ở Các Lớp Quan Trọng
Tối ưu hóa Batch Size cho Dự đoán tại Edge: Cân bằng Tốc độ – RAM theo Kiến trúc Chip
XAI (Explainability) cho Edge AI: SHAP/LIME Giải thích Quyết định, Minh bạch Tin cậy
Vai trò ONNX – OpenVINO trong Tương tác AI: Tối ưu hóa, Chuyển đổi Mô hình PyTorch, TensorFlow Trên Chipset
Học Tập Tăng cường Hỗn hợp (Hybrid Reinforcement Learning): Kết hợp RL – PID Tối ưu Điều khiển Tự động
Kiến trúc Transformers Pruned cho NLP trên Thiết bị Giọng nói IoT: Tối ưu Decoder Phản hồi Nhanh
Tối ưu hóa Lưu trữ Mô hình và Reconfiguration Mô hình Động: Memory Mapping vào RAM/Cache, Quản lý Nhiệt độ
Phân Tích Chuyên Sâu: Tác Động Độ Trễ Truyền Gradient Trong FL Đến Tốc Độ Hội Tụ Và Asynchronous Communication
Kỹ Thuật Học Tập Đa Tác Vụ (Multi-Task Learning) Cho IoT Đa Cảm Biến: Đào Tạo Mô Hình Duy Nhất Tiết Kiệm Tài Nguyên
Thiết kế Mạng Nơ-ron Cấp Thấp (Shallow Neural Networks) cho Thiết bị MCU Cực Thấp: Tối ưu SVM và Decision Trees
Vai trò của GANs trong Mô phỏng Dữ liệu IoT Thất bại: Tạo Kịch bản Lỗi (Failure Scenarios) Hiếm gặp cho Phát hiện Bất thường
Tối ưu hóa Kiến trúc Autoencoders: Nén Dữ liệu, Giảm Chiều và Cân bằng Tải CPU
Kỹ Thuật Đánh Giá Robustness Mô Hình AI Trước Dữ Liệu Nhiễu: Adversarial Examples Tại Edge, Noise-Resistant
Phân tích Chuyên sâu Non-IID trong Federated Learning IoT: Thách thức Phân phối Dữ liệu và FedAvg
Học Tập Bán Giám sát (Semi-Supervised Learning): Khai Thác Dữ Liệu IoT Chưa Gán Nhãn Với Self-Training, Co-Training
Tối ưu hóa Fast Deployment NN Architecture bằng Neural Architecture Search (NAS) cho Từng Chipset
Thiết kế RNN cho Dữ liệu Chuỗi Thời gian: Ứng dụng LSTM/GRU dự đoán hành vi thiết bị, bảo trì và Long Sequence trên Edge
Học Tập Sâu Thích ứng (Adaptive Deep Learning) cho Môi trường IoT Thay Đổi: Tự Động Điều Chỉnh Hyperparameter Theo Nhiệt Độ, Độ Ẩm, Nhiễu Vô Tuyến
