Mutual Assisted Learning: Neue Methode für IoT‑Datenströme

In der Analyse von Internet‑of‑Things‑Datenströmen stehen traditionelle Machine‑Learning‑Ansätze vor großen Herausforderungen: kontinuierliches Lernen, Konzept‑Drift, zeitliche Abhängigkeiten und das Vermeiden von Vergessen. Gerade in verteilten IoT‑Netzwerken, in denen mehrere Edge‑Geräte gleichzeitig lernen, kann die gegenseitige Unterstützung die Leistung erheblich steigern.

Die neue Methode „Mutual Assisted Learning“ basiert auf Vygotskys sozialkultureller Theorie der kognitiven Entwicklung. Jedes Gerät arbeitet autonom und benötigt keinen zentralen Koordinator. Sobald ein Gerät durch einen Konzept‑Drift an Leistung verliert, sucht es gezielt Hilfe bei anderen Geräten und entscheidet, ob deren Wissen für die aktuelle Aufgabe relevant ist. Dadurch werden die Verbindungen drastisch reduziert im Vergleich zu klassischen Federated‑Learning‑Ansätzen, bei denen alle Geräte bei jedem Trainingsschritt kommunizieren.

Zur Bewältigung der dynamischen Datenströme ist jedes Gerät mit einer Continuous Progressive Neural Network (cPNN) ausgestattet. Die Implementierung trägt den Namen Mutual Assisted cPNN (MAcPNN). Für Vorhersagen einzelner Datenpunkte werden die cPNNs eingesetzt, während eine Quantisierung die Speicher­belastung reduziert. Diese Kombination ermöglicht effizientes, kontinuierliches Lernen auf Edge‑Geräten.

Experimentelle Ergebnisse zeigen, dass MAcPNN die Leistung sowohl bei synthetischen als auch bei realen Datenströmen deutlich verbessert. Die Methode demonstriert, wie dezentrale Geräte ohne zentrale Steuerung effektiv zusammenarbeiten können, um die Herausforderungen von IoT‑Analytics zu meistern.