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

本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI 框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

Nov, 2020

本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

Feb, 2018

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。

Jul, 2018

本研究采用基于离散事件系统规范的 IoT 模型，包括 IoT 设备到边缘数据中心的处理单元的 entire architecture 描述，并考虑用户设备、网络和计算基础设施的定位感知，以优化管理 IoT 数据流分析应用程序的联合资源，提高其时延和能源效率，通过真实痕迹和数据的驾驶辅助用例证明了我们的贡献。

May, 2023

通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM 的聚合算法优于 FedAvg，提供更好的稳定性和性能。

Mar, 2024

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

通过低成本边缘物联网架构，提出了实现轻量级机器学习模型估计室内环境质量参数的两种方法，采用神经网络和分布式并行物联网架构，以减少数据处理负载和能源消耗。实验表明，在温度和照度小数据集上进行的训练和测试中，估计性能接近 0.95 的 F 分数和准确度，并且在分布式并行方法中，功耗降低了将近 37%。与相关研究的等效物联网架构相比，达到了相似或稍微更好的性能，并实现了 35% 至 76% 的误差减少，从而在性能和能源效率之间取得了恰到好处的平衡。

Feb, 2024

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

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