[論文レビュー] Machine Learning for the Internet of Underwater Things: From Fundamentals to Implementation

Kenechi G. Omeke, Attai Ibrahim Abubakar+4 more|arXiv (Cornell University)|Mar 8, 2026

Underwater Vehicles and Communication Systems被引用数 0

ひとこと要約

機械学習がIoUTをすべてのプロトコル層で可能にする方法を詳細に解説する包括的なチュートリアル系サーベイ。実装ガイダンスと今後の方向性を含む。

ABSTRACT

The Internet of Underwater Things (IoUT) is becoming a critical infrastructure for ocean observation, marine resource management, and climate science. Its development is hindered by severe acoustic attenuation, propagation delays far exceeding those of terrestrial wireless systems, strict energy constraints, and dynamic topologies shaped by ocean currents. Machine learning (ML) has emerged as a key enabler for addressing these limitations, offering data driven mechanisms that enhance performance across all layers of underwater wireless sensor networks. This tutorial survey synthesises ML methodologies supervised, unsupervised, reinforcement, and deep learning specifically contextualised for underwater communication environments. It outlines the algorithmic principles of each paradigm and examines the conditions under which particular approaches deliver superior performance. A layer wise analysis highlights physical layer gains in localisation and channel estimation, MAC layer adaptations that improve channel utilisation, network layer routing strategies that extend operational lifetime, and transport layer mechanisms capable of reducing packet loss by up to 91 percent. At the application layer, ML enables substantial data compression and object detection accuracies reaching 92 percent. Drawing on 300 studies from 2012 to 2025, the survey documents energy efficiency gains of 7 to 29 times, throughput improvements over traditional protocols, and cross layer optimisation benefits of up to 42 percent. It also identifies persistent barriers, including limited datasets, computational constraints, and the gap between theoretical models and real world deployment. The survey concludes with emerging research directions and a technology roadmap supporting ML adoption in operational underwater networks.

研究の動機と目的

• 水中通信とネットワークの固有の課題に対処するための機械学習の活用を動機づける。
• 物理層からアプリケーション層までIoUTプロトコルスタック全体でML技術を体系的にレビューする。
• 資源制約下の水中プラットフォームでMLを実装するための実践的ガイドラインを提供する。
• 2035年以降の技術ロードマップと高影響度の研究方向を強調する。

提案手法

• 水中環境に適した教師あり、教師なし、強化学習、深屜学習を含むML技術の体系的分類を提示する。
• 物理層、MAC、ネットワーク、トランスポート、アプリケーション層にわたる層別のML応用を具体的な機構とともに分析する。
• データ要件、計算制約、展開戦略に対処する実装ガイドラインを統合する。
• クロスレイヤー最適化、エネルギー効率の向上、MLベース設計によるパフォーマンス改善を論じる。
• PINNs、フェデレーテッドラーニング、トランスフォーマーアーキテクチャなど、IoUTにおける今後の方向性を特定する。

実験結果

リサーチクエスチョン

• RQ1 ML技術をIoUTの固有の伝搬、エネルギー、モビリティの課題にどのように効果的に適用できるか。
• RQ2 IoUTの各プロトコル層（物理、MAC、ネットワーク、トランスポート、アプリケーション）で最も影響力のあるMLアプローチは何か。
• RQ3 資源制約下の水中プラットフォームにMLを展開する際の実装上の課題とデータ要件は何か。
• RQ4 2035年までにIoUT展開で最も有望な未来のML方向性（例：PINNs、フェデレーテッドラーニング、トランスフォーマー）は何か。
• RQ5 MLベースの解決策はエネルギー効率、スループット、信頼性の点で従来手法とどう比較されるか。

主な発見

• MLは特定のシナリオで著しいエネルギー効率の向上（7–29×）をもたらす。
• クロスレイヤーのML最適化は層ごと孤立したアプローチを超え約42%の追加性能を提供する。
• トランスポート層のMLアプローチは最大でパケット損失を91%削減できる。
• アプリケーション層のMLタスクはデータ圧縮を最大10倍、物体検出精度を92%達成可能。
• 長距離の改善としてスループットが200–300%向上し、ベースラインより大幅なチャネル利用向上が見られる。