ផាន់ គឹមសៀ Phan Kimsie

Presented "Multimodal Federated Learning in Air Quality Monitoring Under Heterogeneous Resource Constraints" at MAC.

This work investigates how Federated Learning can enable privacy-preserving and efficient AI across heterogeneous edge devices such as Raspberry Pi and NVIDIA Jetson platforms. By combining multimodal data sources, including environmental images and tabular sensor measurements, the proposed framework addresses key challenges in real-world IoT systems, including system heterogeneity, communication overhead, non-IID data distribution, and privacy concerns.

The study demonstrates the potential of deploying intelligent, distributed, and privacy-aware AI solutions for air quality monitoring and other real-world applications such as healthcare and smart environments.

Beautiful in Dark Mode!

Math-Vision ជាកន្លែងសិក្សា FREE ផ្តោតលើ គណិតវិទ្យា ដែលមានភាពសម្បូរបែបដូចជា អ្នកអាច
1. ប្រើប្រាស់ Local AI Only Math សម្រាប់ដោះស្រាយគ្រប់លំហាត់ សំណួរ ចម្ងល់ជាភាសាខ្មែរ ឬភាសាអង់គ្លេស ហើយមុខងារនេះផ្តល់នូវចម្លើយយ៉ាងក្បោះក្បាយ ត្រឹមត្រូវ មិនចាកឆ្ងាយពីអ្វីក្រៅពីគណិតវិទ្យា។
2. អនុវត្តតេស្ត Quiz 1000 សំណួរតាមកម្រិតស្រួល ទៅពិបាក។
3. ហាត់ដោះស្រាយលំហាត់បាក់ឌុប ដោយផ្តល់ឱ្យអ្នកនូវរយៈពេលច្បាស់លាស់សម្រាប់លំហាត់នីមួយៗ
4. បញ្ចូលរូបភាព ឬសរសេរលើអេក្រង់ដោយផ្ទាល់នូវលំហាត់ដែលអ្នកចង់សួរ។
5. ស្វែងរកសៀវភៅកម្មវិធីសិក្សា អត្រាកំណែ និងសៀវភៅជាច្រើនទៀត ដោយរក្សាកម្មសិទ្ធដើមនៃអ្នកនិពន្ធ (ថ្ងៃខាងមុខ)
6. តាមដានការសិក្សារបស់អ្នកយ៉ាងងាយស្រួល ដោយផ្តល់នូវស្ថិតិប្រចាំថ្ងៃ សប្តាហ៍
7. ប្រើប្រាស់បានទាំងតាមរយៈវេបសាយ ឬកម្មវិធីតំឡើងរយៈ Playstore ឬ Appstore ។
Website: https://math-vision.com
Telegram: https://t.me/+M23_Yh9xfdBmZjc1

ខ្ញុំនឹងធ្វើបទបង្ហាញតូចមួយនៅ MAC ពីការប្រើប្រាស់បច្ចេកវិទ្យា AI ហៅថា Federated Learning (FL) ដែលជាផ្នែកមួយនៃអនាគត AI ក្នុងការវិភាគភាពត្រឹមត្រូវ និងព្យាករណ៍កម្រិតខ្យល់ពុលក្នុងបរិយាកាសដែលផ្អែកលើទិន្នន័យដែលទទួលបានទាំងរូបភាព និងតារាងជាលេខ។ ការដំឡើងឧបករណ៍ដូចជា Raspberry Pi5 និង Nvidia Nano Orin Jetson ទាំង 6 ចំណាយ 2 ខែកន្លះសម្រាប់ការ Setup ជាមួយនឹង Server តាមរយៈ Network ភ្ជាប់ជាមួយបញ្ហាជាច្រើនទៀត ដែលធ្វើឱ្យអ្នកស្រាវជ្រាវជាច្រើនងាកទៅរក Simulation ដែលគ្រាន់តែមាន Laptop មួយអាចបង្កើតបានឧបករណ៍សំយោគជាច្រើន។

ក្នុងឆ្នាំ 2018 ក្រុមហ៊ុន Google ចាប់ផ្តើមប្រើប្រាស់ FL ក្នុងការទស្សន៍ទាញពាក្យបន្ទាប់ដែលអ្នកប្រើប្រាស់ចង់សរសេរ និងណែនាំអំពីជម្រើសនៃសំណួរដើម្បីសួរ ហើយបន្តអភិវឌ្ឍដល់ឆ្នាំ 2019-2021 Google បានបញ្ចេញមុខងារដល់អ្នកប្រើប្រាស់ដូចជា ការឆ្លើយតបឆ្លាតវៃ បង្ហាញ emoji ពីការសរសេរពាក្យ និងលំនាំវាយអក្សរផ្ទាល់ខ្លួន (nh klean bay) ។ រហូតដល់បច្ចុប្បន្ន គេបន្តផ្តោចលើសុវត្ថិភាព ឯកជនភាពអ្នកប្រើប្រាស់ និងជាច្រើនទៀត។

ហើយនេះជាការបើកផ្លូវឱ្យ ក្រុមហ៊ុនយក្សដូចជា Apple, Meta និង Microsoft ជាដើមងាកមកសិក្សាលើ FL ដូចគ្នា។

កាលបរិច្ឆេទ៖ ថ្ងៃអាទិត្យ ទី29 ខែមីនា ឆ្នាំ2026
វេលាម៉ោង៖ 8:00-9:00 pm (Cambodia Time)
ចូលរួមដោយសេរីតាមរយៈ Google Meet៖
https://meet.google.com/hru-vjht-srb

សិក្ខាសាលាខែមីនា៖ "Multimodal federated learning in air quality monitoring under heterogeneous resource constraints”



វាគ្មិន៖ Kimsie Phan
អ្នកសម្របសម្រួល៖ Sreyneat Sun
កាលបរិច្ឆេទ៖ ថ្ងៃអាទិត្យ ទី29 ខែមីនា ឆ្នាំ2026
វេលាម៉ោង៖ 8:00-9:00 pm (Cambodia Time)
ចូលរួមដោយសេរីតាមរយៈ Google Meet៖
https://meet.google.com/hru-vjht-srb

Abstract:
Air quality monitoring is essential for environmental health, but centralized approaches face challenges such as high communication costs, latency, and privacy risks. Single-modality models using only tabular or image data fail to fully capture complex pollution patterns. To address this, we propose a Multimodal Federated Learning framework that integrates tabular and visual data via a lightweight model (MobileNetV3Small + MLP), deployed on heterogeneous edge devices such as Raspberry Pi 5 and Jetson Orin Nano. The proposed approach improves prediction performances while ensuring privacy, scalability, and efficient edge deployment.


សិក្ខាសាលាប្រចាំខែ MAC ក្នុងឆ្នាំ 2026៖
https://sites.google.com/.../programs/webinars/talk-2026
ចូលរួម Telegram MAC៖
https://t.me/wemacinfo
សូមអរគុណ !

នេះជាអត្រាភាគរយនៃសិស្សប្រឡងធ្លាក់តាមមុខវិជ្ជាកាលពីបាក់ឌុប 2025 ។ សង្កេតឃើញថា
វិទ្យាសាស្ត្រសង្គម : មុខវិជ្ជាគណិតវិទ្យា និងភាសាអង់គ្លេសមានរហូតដល់ប្រមាណ 90% និង 85% រៀងគ្នា។
វិទ្យាសាស្ត្រពិត : មុខវិជ្ជាគណិតវិទ្យា និងភាសាអង់គ្លេសមានប្រមាណ 30.5% និង 41% រៀងគ្នា។

ដូចនេះ ប្អូនៗគួរពិចារណាឡើងវិញ មិនគួរបណ្តែតបណ្តោយទេទោះជ្រើសរើសវិទ្យាសាស្ត្រសង្គមក៏ដោយ ព្រោះ គណិតវិទ្យា+អង់គ្លេស ពិតជាមានសារៈសំខាន់ខ្លាំងនាពេលបច្ចុប្បន្ន និងថ្ងៃអនាគត។

យ៉ាងណាមិញ ខ្ញុំលើកទឹកចិត្តឱ្យប្អូនៗជ្រើសយកវិទ្យាសាស្ត្រពិតជានិច្ច។

យើងដើរដល់ម៉ូឌែលថ្មីមួយទៀតគឺ​ Recurrent Neural Network (RNN)

នៅក្នុងពិភពនៃ AI/ML ទិន្នន័យជាច្រើនមានលក្ខណៈជាលំដាប់ (Sequential Data) ដូចជា អត្ថបទ សំឡេង វីដេអូ និងទិន្នន័យតាមពេលវេលា។ Traditional Neural Networks មិនអាចដំណើរការទិន្នន័យប្រភេទនេះបានមានប្រសិទ្ធភាពទេ ពីព្រោះវាពិចារណាទិន្នន័យនីមួយៗដោយឡែកពីគ្នា និងមិនអាចចងចាំព័ត៌មានពីជំហានមុនៗបាន។

បញ្ហាសំខាន់មួយគឺ ការយល់ដឹងអត្ថន័យនៃទិន្នន័យបច្ចុប្បន្ន ត្រូវការព័ត៌មានពីអតីតកាល។ ឧទាហរណ៍ ក្នុងការព្យាករណ៍អត្ថបទ អត្ថន័យនៃពាក្យមួយ អាស្រ័យលើពាក្យដែលបានបង្ហាញមុន។ ដូច្នេះ មានតម្រូវការម៉ូឌែលមួយដែលអាចចងចាំ និងប្រើប្រាស់ព័ត៌មានពីលំដាប់ទិន្នន័យមុនៗបាន។

ដើម្បីដោះស្រាយបញ្ហានេះ Recurrent Neural Network (RNN) ត្រូវបានអភិវឌ្ឍឡើង ដោយមានសមត្ថភាពរក្សាទុកព័ត៌មានពីអតីតកាល និងប្រើប្រាស់វាសម្រាប់ការព្យាករណ៍លទ្ធផលនៅពេលបច្ចុប្បន្ន។ វាគឺជា NN ដែលត្រូវបានរចនាឡើងដើម្បីដំណើរការទិន្នន័យដែលមានលំដាប់។ លក្ខណៈពិសេសសំខាន់បំផុតរបស់ RNN គឺសមត្ថភាពក្នុងការចងចាំព័ត៌មានពីជំហានមុនៗ តាមរយៈ Hidden State (HS)។

នៅគ្រប់ជំហានពេលវេលា RNN ទទួលយកទិន្នន័យតាម Input និង HS ពីជំហានមុន ហើយបញ្ចូលព័ត៌មានទាំងពីរនេះចូលគ្នា ដើម្បីបង្កើត HS ថ្មី។ HS នេះតំណាងឲ្យព័ត៌មានដែលម៉ូឌែលបានរៀនពីលំដាប់ទិន្នន័យរហូតដល់ពេលនោះ។

បន្ទាប់មក HS ថ្មីត្រូវបានប្រើ ដើម្បីបង្កើតលទ្ធផល (Output) ឬព្យាករណ៍ទិន្នន័យបន្ទាប់។ ដំណើរការនេះកើតឡើងជាបន្តបន្ទាប់ សម្រាប់គ្រប់ជំហាននៃលំដាប់ទិន្នន័យ។

ដោយសារតែសមត្ថភាពក្នុងការចងចាំ និងដំណើរការទិន្នន័យតាមលំដាប់ RNN ត្រូវបានប្រើយ៉ាងទូលំទូលាយក្នុងកម្មវិធីដូចជា ការព្យាករណ៍អត្ថបទ ការស្គាល់សំឡេង ការបកប្រែភាសា និងការវិភាគទិន្នន័យតាមពេលវេលា។ ទោះជាយ៉ាងណា RNN មិនមានការចងចាំព័ត៌មានរយៈពេលវែង ដែលនាំឲ្យមានការអភិវឌ្ឍម៉ូឌែលកែលម្អដូចជា LSTM និង GRU។

Student's Homework - CNN and MobileNet V2!

Convolutional Neural Networks (CNNs) are a class of deep learning models specifically designed for processing grid-structured data such as images. CNNs automatically learn hierarchical feature representations by applying convolutional filters that capture local patterns like edges, textures, and shapes. Key components of CNNs include convolution layers, pooling layers, and fully connected layers. Due to their ability to extract spatial features efficiently, CNNs have achieved state-of-the-art performance in computer vision tasks such as image classification, object detection, and segmentation.

MobileNetV2 is a lightweight and efficient CNN architecture designed for deployment on resource-constrained devices such as mobile phones and embedded systems. It introduces depthwise separable convolutions, which significantly reduce computational cost and model size compared to standard convolutions. MobileNetV2 also employs inverted residual blocks with linear bottlenecks, allowing efficient feature reuse while preserving representational power. These design choices make MobileNetV2 well-suited for real-time applications where low latency and energy efficiency are critical.

កុំព្យូទ័រតម្លៃ 50$ និងតម្លៃ 300$ ដែលមានមុខងារដូចកុំព្យូទ័រធម្មតា ជាពិសេសអាច run any programs. គោលដៅ គឺថាប្រើប្រាស់វាសម្រាប់ធ្វើដំណើរការ Machine Learning និង Deep Learning ជាមួយទិន្នន័យដែលវាផ្ទុកស្រាប់ ។ 😍