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

本研究旨在提出一种综合方法，将软件工程和人工智能社区的模型结合起来，实现驱动智能系统的模型驱动软件开发，主要着重于物联网领域，并通过案例研究和用户评估验证了该方法的可行性和性能提升。

Jul, 2021

提出了 SECOE 方法，使用机器学习模型的集成来处理物联网领域中传感器的故障和数据不完整性等问题，该方法可以显著提高物联网应用程序的鲁棒性和准确性。

Oct, 2022

通过将语义技术和机器学习与云系统相结合，SemCloud 为非云计算专家提供了一个语义增强的云系统，它依靠领域本体和数据集成映射来实现数据处理和分析的分布式计算。

Aug, 2023

本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC，该系统通过模型裁剪，低权重分辨率，优化语义星座，以及使用信道状态信息辅助训练等技术，旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明，在低信噪比环境下，该系统可实现高达 40 倍的数据压缩比，而不影响传输性能。

Jul, 2020

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

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

本文介绍了一种可以通过一系列简单操作控制输出的自动机器学习的应用范围，提出了一种语义代码分类任务，并探讨了在自然语言到机器学习（NL2ML）数据集上解决此问题的方法。

Jan, 2022

综述了 TinyML 的背景、各种支持 TinyML 的工具、利用先进技术进行 TinyML 的最新应用以及未来研究方向，TinyML 是一种嵌入式 ML 技术，使 ML 应用程序能够在多个廉价、资源和功耗受限设备上运行

Mar, 2023