Johannes hat letztes Jahr im Rahmen eines Forschungsprojektes des KIT an einem maschinellem Lernverfahren zur Kalibrierung von Low-Cost Umweltsensoren geforscht.

Das Verfahren ermöglicht es einerseits, eine bereits an einen bestimmten Sensor angepasste Kalibrierung mittels transfer learning auf einen neuen Sensor zu übertragen und andererseits das Modell kontinuierlich nachfolgend zu trainieren und zu verbessern. Die mathematische Grundlage hierfür ist die sogenannte Informationsgeometrie. Diese liefert einen geometrischen Zugang zum Informationsgehalt verschiedener Modelle und kann diese somit informationstheoretisch vergleichen. Die Analyse basiert auf realen Daten von mehreren Feinstaubsensoren eines ganzen Jahres in Augsburg. Der zugehörige Artikel Calibration of Low-cost Particulate Matter Sensors with Elastic Weight Consolidation (EWC) as an Incremental Deep Learning Method wurde nun bei der IOT Konferenz EAI Urb-IoT als beste dort eingereichte Arbeit 2020 ausgezeichnet. Wir freuen uns sehr darüber!