该研究提出了一种基于云的提取监视器，通过观察单个和串通的对手用户的查询和响应流来量化模型的提取状态，从而使用信息增益来测量具有不断增加查询数量的用户的模型学习速率，并维护智能查询摘要以在串通存在的情况下测量与输入特征空间覆盖度相关的学习速率，以提醒模型所有者可能存在侵犯攻击。

Nov, 2017

利用无监督域适应和多受害者集成的方法，攻击者可能会在 NLP API 中超越原始黑盒模型，这是对模型提取以前的理解的超越，验证结果表明模仿者可以在转移领域中成功地胜过原始的黑盒模型，这将影响 API 提供者的防御或发布策略。

Aug, 2021

本文介绍了一种名为 U-TOE 的通用工具包，它结合了低功耗嵌入式操作系统、通用模型转换器和编译器、集成性能测量模块以及开放访问的远程 IoT 测试平台的功能，旨在为 AIoT 设计师和研究人员提供便利，加速边缘计算的发展。

Jun, 2023

在这项研究中，我们探索了使用深度学习模型的集成作为我们的盗贼模型的用途。我们将此攻击称为 Army of Thieves（AOT），通过训练具有不同复杂性的多个模型来利用人群的智慧。根据集成模型的共同决策，选择不确定样本进行查询，而最可信的样本直接包含在训练数据中。我们的方法是第一个利用盗贼模型的集成来执行模型提取的方法。与现有最先进方法的基本方法相比，我们的方法至少提高了 3％，并且在 CIFAR-10 数据集上训练的模型的对抗样本可转移性比先前的研究提高了 21％。

Nov, 2023

本文提出了一种新的自适应度量学习框架，其通过基于 ANN 的度量学习来自适应地学习模型复杂度，并且通过自适应约束的流来进行学习，并通过 Adaptive-Bound Triplet Loss（ABTL）利用输入的约束，通过 Adaptive Hedge 更新（AHU）方法在线更新模型参数，我们在真实世界的图像分类，面部验证和图像检索等各种应用中验证了我们框架的有效性和功效。

Apr, 2021

通过优化超级学习器元学习集成模型，使其适用于低端人工智能物联网设备，可在低端设备上运行，具有较低的推理持续时间和更小的内存占用，同时获得与高端设备相似的准确性和假阳性率。

Apr, 2024

本文提出了一种利用 GAN-based framework 来绕过 hard label，仅仅通过访问 top-1 prediction 的方式，以及不访问模型梯度和训练数据的情况下偷取机器学习模型的方法，同时通过利用公开数据集来降低查询成本，并在 100 类数据集上展示了模型窃取的规模性。

Apr, 2022

人工智能物联网（AIoT，AI+IoT）领域是由智能基础设施的广泛使用和深度学习（DL）的显著成功推动的。本研究通过优化资源友好型的深度学习模型以及模型自适应系统调度，来改善 DL 模型的准确性和响应性，推动由单独级别设置的性能边界。此外，针对 AIoT 环境的动态特性，本文还探索了适用于不同级别的上下文感知控制器，实现自动跨级别适应，并提出了资源高效的 AIoT 系统的一些潜在方向。

Sep, 2023

本文提出了一种基于数据来源的方法，为使用机器学习模型的客户提供验证私有训练数据集的公平性和多样性的策略，结合了阴影训练技术和多实例学习中的高效特征捕获方案。实验结果表明，该方法可实现高达 0.87 的准确度的成员检查和高达 99.3％的多样性和公平性分布检查的置信度。

May, 2023

本论文介绍了利用机器学习算法对物联网恶意软件流量进行检测的方法，通过分布式系统如 Apache Kafka 和 Apache Spark，并加速模型推理速度的 Intel oneAPI 软件栈，达到实时监测的效果，同时在智慧社区和医疗机构抵御网络威胁方面起到了关键作用。

Apr, 2023