S prenehanjem veljavnosti Mooreovega zakona in Dennardovega skaliranja je prihodnost mobilnega računanja kritično ogrožena. Nadaljnje pakiranje računalniških virov ni več možno, če želimo ohraniti portabilnost in energetsko učinkovitost mobilnih naprav. Po drugi strani mobilno računanje vse več zavzema centralno mesto v vsakdanjem življenju in mu zaupamo vedno večje število kompleksnih računskih nalog.

V tej raziskavi želimo postaviti temelje za novo paradigmo mobilnega računalništva, imenovano približno mobilno računalništvo (angl. Approximate Mobile Computing - AMC). AMC temelji na našem vpogledu, da glede na kontekst izvajanja ni nujno, da je rezultat mobilnega računanja popolnoma natančen, da bi zadovoljil uporabnikove potrebe: igralec video igre na prostem niti ne bo opazil nenatančno narisano 3D sliko in osebi, ki jo zanimajo restavracije v bližini, ni nujno, da dobi natančno razvrščen seznam restavracij. Glavni pogoj za uresničitev AMC je implementacija tehnologije, na kateri bo temeljilo izračunavanje s prilagojeno natančnostjo.

V tem projektu se bomo osredotočili na:

·prepoznavanje približnih računalniških tehnik (angl. Approximate Computing Techniques - ACT), ki so primerne za mobilne naprave, zlasti pametne telefone;

·izvajanje izbranih ACT na čim nižjem nivoju računalniškega kupa mobilnih računalnikov, kot so prevajalniki in programske knjižnice;

·izpostavitev gumbov za dinamično prilagajanje ACT-jev, kar bo omogočilo dinamično spreminjanje natačnosti rezultata in posledično uporabe virov med računanjem.

Rezultati našega dela bodo osnova za prihodnje eksperimentiranje z AMC, zlasti glede na njegovo kontekstno zavedanje in nadaljnje eksperimentiranje s prihranki virov, ki ga AMC prinaša.

·Identifikacija tehnik približnega računanja, ki so ustrezne za mobilne naprave, zlasti pametne telefone.

·Implementacija izbranih tehnik približnega računanja na čim nižjem nivoju mobilnega računanja oziroma v programskih prevajalnikih in programskih knjižnicah.

·Izpostavljanje kontrolnih gumbov za dinamično prilagajanje približnega računanja, za omogočanje ravnovesja med natančnostjo rezultata in porabo energije naprave.

Bibliografske reference:

MACHIDON, O., ASPROV, J., FAJFAR, T., PEJOVIC, V.
Context-aware adaptation of mobile video decoding resolution <https://arxiv.org/abs/2202.09772>
Multimedia Tools and Applications (2022).

MACHIDON, A., PEJOVIC, V.
Deep Learning Techniques for Compressive Sensing-Based Reconstruction and Inference - A Ubiquitous Systems Perspective <http://lrss.fri.uni-lj.si/Veljko/docs/Machidon2022CSDLSurvey.pdf>
Artificial Intelligence Review (2022).

MACHIDON, A., PEJOVIC, V.
Enabling Resource-Efficient Edge Intelligence with Compressive Sensing-Based Deep Learning <http://lrss.fri.uni-lj.si/Veljko/docs/Machidon2022CSDL.pdf>
ACM Computing Frontiers, May 2022.

KNEZ, T., MACHIDON, O., PEJOVIC, V.
Self-Adaptive Approximate Mobile Deep Learning <https://www.mdpi.com/2079-9292/10/23/2958/htm>
Electronics (2021).

GJORESKI, M., MAHESH, B., KOLENIK, T., UWE-GARBAS, J., SEUSS, D., GJORESKI, H., LUSTREK, M., GAMS, M., PEJOVIC, V.
Cognitive Load Monitoring with Wearables - Lessons Learned from a Machine Learning Challenge <http://lrss.fri.uni-lj.si/Veljko/docs/Gjoreski2021MLchallenge.pdf>
IEEE Access (2021).

PEJOVIC, V., MATKOVIC, T., CIGLARIC, M.
Wireless Ranging for Contactless Cognitive Load Inference in Ubiquitous Computing <https://www.tandfonline.com/doi/full/10.1080/10447318.2021.1913860> (open access)
International Journal of Human-Computer Interaction (2021).

MACHIDON, O., SLUGA, D., PEJOVIC, V.
Queen Jane Approximately: Enabling Efficient Neural Network Inference with Context-Adaptivity <http://lrss.fri.uni-lj.si/Veljko/docs/Machidon2021SNN.pdf>
EuroMLSys workshop with EuroSys 2021.

KRASOVEC, A., PELLARINI, D., GENEIATAKIS, D., BALDINI, G., PEJOVIC, V.
Not Quite Yourself Today: Behaviour-Based Continuous Authentication in IoT Environments <http://lrss.fri.uni-lj.si/Veljko/docs/Krasovec2020AuthIoT.pdf>
Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies (IMWUT), 2020.

MACHIDON, O., FAJFAR, T., PEJOVIC, V.
Watching the Watchers: Resource-Efficient Mobile Video Decoding through Context-Aware Resolution Adaptation <http://lrss.fri.uni-lj.si/Veljko/docs/Machidon2020Watching.pdf>
EAI MobiQuitous 2020.

GJORESKI, M., KOLENIK, T., KNEZ, T., LUSTREK, M., GAMS, M., GJORESKI, H., PEJOVIC, V.
Datasets for Cognitive Load Inference Using Wearable Sensors and Psychological Traits <http://lrss.fri.uni-lj.si/Veljko/docs/Gjoreski2020CogLoad.pdf>
MDPI Applied Sciences (2020).

PEJOVIC, V., MAJHEN, I., JANEZ, M., ZUPAN, B.
RICERCANDO: Data Mining Toolkit for Mobile Broadband Measurements <http://lrss.fri.uni-lj.si/Veljko/docs/Pejovic2020RICERCANDO.pdf>
Computer Networks (2020).

CUCULOSKI, A., PEJOVIC, V.
Trading Energy for Accuracy in Mobile Interruptiblity inference <http://lrss.fri.uni-lj.si/Veljko/docs/Cuculoski20EEInterrupt.pdf>
Ubittention workshop with UbiComp'20, Cyberspace, September 2020.