本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

本文旨在通过分析机器学习在软件工程中的最佳实践，填补现有文献不足的空缺，并针对机器学习应用所面临的挑战和开发过程，提出一系列以软件工程视角为基础的建议。

Apr, 2023

本文提出了一个基于语义 Web 技术的框架，旨在管理 TinyML 模型和 IoT 设备的组合，包括建模信息、组合发现和基准测试，并支持 TinyML 组件的交换和再利用。作者设计了一个神经网络模型本体论，并以 W3C Thing Description 为基础，描述和维护 23 个公共 ML 模型和 6 个 IoT 设备的知识图谱。通过三个案例研究，验证了该框架的有效性和可重复性。

Feb, 2022

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

本文介绍了一个基于语义低代码工程的 ML 应用程序框架，名为 SeLoC-ML，利用语义 Web 技术来支持在工业物联网（IIoT）中快速开发 ML 应用程序，使非专业人士能够轻松建模、发现、复用和匹配 ML 模型和设备。SeLoC-ML 在至少降低三倍的工程努力方面显示了效率和实用性。

Jul, 2022

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

机器学习在许多制造应用中已被证明可以提高生产力。本文提出了 AdaptIoT 系统，它由端到端的数据流水线、机器学习服务集成和自动自标记服务组成，能够在制造业中自适应地个性化多个机器学习模型，并通过一个创客空间的现场演示展示了可靠的性能。

Apr, 2024

本文介绍了物联网系统中的安全问题以及现有的安全方法不足的问题，提出了如何利用机器学习和深度学习方法改进物联网系统安全的方案，并综述了各种机器学习和深度学习方法在物联网安全中的优缺点以及未来的研究方向。

Jul, 2018

本文系统评估了物联网网络的安全需求、攻击向量和现有安全解决方案，探索了应用机器学习和深度学习技术来解决物联网网络不同安全问题的现有解决方案，并讨论了基于当前文献中现有解决方案的基础上，ML 和 DL 为基础的 IoT 安全的未来研究方向。

Mar, 2019

通过全面的研究和分析，本文旨在为人工智能在物联网快速发展的领域中保护 ML 模型和数据提供宝贵见解和实际解决方案。

Jan, 2024