Jul, 2018

自组织低功耗物联网网络：一种分布式学习方法

PDF
TL;DR本研究通过自学习、分布式学习的方法，适应环境，使物联网设备之间的通信参数最大程度优化，实现能源效率和通信可靠性的提高，并与中心化方式进行对比，结果显示本方法能显著提升物联网通信的能源效率和可靠性，在低成本和低功耗的物联网应用中具有很好的应用前景。
internet of thingsenergy efficiencydistributed learningreliabilitylow-cost applications
发现论文，激发创造
  • 分布式边缘物联网的群体学习

    研究论文通过探索分布式群集学习（DSL）这一新颖框架，结合了人工智能和生物群体智能，以解决物联网在无线网络边缘面临的通信和计算瓶颈、设备和数据异构性、安全风险、隐私泄露、非凸优化和复杂无线环境等问题。该框架为无线网络边缘的大规模物联网提供了高效解决方案和强大工具。

    Mar, 2024

  • 物联网通信的学习：有限资源和异构性

    本文介绍了适用于物联网应用的多种学习框架，分别研究了机器学习、顺序学习和强化学习的优缺点、适用性及关键结果，并引入基于认知层次理论的新框架来处理物联网的异构性和资源限制，最终展示了在物联网中使用认知层次理论的关键结果。

    Oct, 2016

  • 物联网中的无线通信机器学习：一项全面调查

    本文综述了机器学习在物联网无线通信中的应用，重点关注了它的特定网络层，包括物理层、数据链路层和网络层等，以及对硬件实现的探讨；同时提供了对物联网无线通信中的机器学习面临的挑战和问题的详细分析。

    Jan, 2019

  • 物联网分散协作式机器学习框架

    提出了一种面向资源受限设备的分散协作机器学习框架，使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比，在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。

    Dec, 2023

  • 智能物联网环境中的学习、计算与可信度：性能 - 能耗平衡

    该论文提供了智能物联网环境（iIoTe）的能效技术和性能的最新综述，并着重研究了资源、延迟、隐私和能源消耗之间的权衡，并提供了将这些技术集成到能效 iIoTe 中的愿景和解决开放性研究挑战的路线图。

    Oct, 2021

  • 多智能体分布式学习中的不确定性估计

    通过开发并建立新的方法，KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架，其中包括量化、剪枝感知训练和稀疏化等创新技术，以显著扩展此类设备的功能范围，利用本地资源来处理复杂的机器学习任务，为创新的学习方法奠定基础。

    Nov, 2023

  • 物联网联邦学习：最近进展、分类和开放挑战

    本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

    Sep, 2020

  • 物联网作为深度神经网络

    本文研究了如何通过深度神经网络的测量压缩和推理，实现 IoT 数据通信的有效率，并在实验中取得了 96% 的数据传输量节省和 2.5% 推理准确度下降的成果。

    Mar, 2020

  • 无线网络中的分布式学习：最近进展与未来挑战

    本文主要研究了分布式学习如何在无线边缘网络中高效地部署，主要介绍了联邦学习、联邦蒸馏、分布式推理和多智能体强化学习等多种分布式学习范例，并提供了详细的文献综述和通信技术优化实例，旨在为实际无线通信网络中分布式学习的部署提供个整体指导原则。

    Apr, 2021

  • 深度物联网：增强下行效率的高效能物联网

    该论文提出了 DEEP-IoT 这一革命性的通信范式，通过 “听多，传输少” 的策略，挑战和改变了传统的发射者（IoT 设备）为中心的通信模型，从而降低能源消耗，提高设备寿命。模拟结果表明，与传统的 Turbo 和 Polar 码系统相比，DEEP-IoT 在 IoT 单元的操作寿命上取得了显著的提升，提高了 52.71%，标志着 IoT 通信的范式转变，为未来的 IoT 设备提供了前所未有的效率和耐用性。

    Mar, 2024