基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。

Oct, 2023

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

通过机器学习填补缺失的空气污染浓度数据，我们提供了英国 2018 年每小时 1kmx1km 的全面数据集，对空气污染的浓度进行预测、估计和捕捉，使相关利益相关方能以更高分辨率进行研究。

Jan, 2024

本文探讨了在经济上有限的国家使用价格便宜的传感器进行数据收集造成的偏差和不确定性问题，并通过利用概率机器学习方法和空气污染网络案例，试图通过建立传感器校准模型解决该问题，提出了基于分布或高斯过程的个体传感器校准建模方法，旨在为决策提供更加准确的数据支持。

Nov, 2019

该研究提出了一种简单而有效的元学习方法，将神经网络用于小数据量的内部分布中，通过概率密度估计在潜空间中检测 OoD，并使用高斯混合模型进行密度估计，通过最大化 likelihood 来适应每个任务中的内部分布数据，并在六个数据集上展示了该方法的优越性。

Jun, 2022

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

本文通过使用集成机器学习方法以实现 IoT 的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。

Jul, 2023

研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

Mar, 2022

使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。

Feb, 2024