SECOE：缓解物联网与机器学习耦合系统中的传感器故障
这篇论文研究了一种在物联网中减轻数据不完整性的技术 SECOE 的能量瓶颈，并提出了一种名为 ENAMLE 的主动、节能的技术来减轻并发缺失数据的影响。ENAMLE 利用能量感知的子模型集成，根据传感器之间的关联选择其子集进行训练，并根据缺失数据率和能量 - 精确性的权衡自适应地改变模型集成的数量。ENAMLE 通过减少能量消耗同时保持准确性的几个新机制来设计，并在两个不同的数据集上进行了广泛的实验研究，证明了其能量效率和减轻传感器故障的能力。
Mar, 2024
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
本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT-IoT 三个物联网入侵检测数据集被用于评估该方法。
Apr, 2024
本文研究了多种机器学习方法处理各种行业和应用中传感器漂移问题的能力，并在公开可获得的气体传感器数据集上测试了这些方法，结果表明这些方法在传感器漂移问题上存在明显的性能下降。
Sep, 2021
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
提出了一种基于贝叶斯优化 - 高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和 F-score 方面有所提高。
Jan, 2024
在空间人工智能的雄心勃勃的领域中，通过联邦学习 (federated learning) 与低轨道卫星星座 (low Earth orbit satellite constellations) 的集成具有巨大的潜力。本文提出了一种新颖的 FL-SEC 框架，使低轨道卫星能够在机载上高效地执行大规模机器学习任务。通过个性化学习和轨道模型再训练等核心组件，该框架有效地减少了联邦学习收敛时间近 30 倍，并将卫星能耗降低到仅为 1.38 瓦特，同时保持高达 96% 的准确度。
Jan, 2024
提出了 MultiIoT，这是迄今为止最广泛的物联网基准，涵盖了来自 12 种方式和 8 项任务的超过 115 万个样本，引入了在学习许多感知模式、跨长时间范围内进行细粒度交互以及由于现实世界传感器的唯一结构和噪声拓扑而导致的极端异质性等方面的独特挑战，同时发布了一组强大的建模基线，从方式和任务特定方法到多感官和多任务模型，以鼓励未来在物联网的多感官表征学习方面的研究。
Nov, 2023