通过开发基于协作学习的模型 PEdger，我们试图解决边缘检测中的深度学习模型计算成本大、模型尺寸大、噪声标注和不准确性等问题，并通过大量实验证明了其在准确性、速度和模型尺寸方面的优越性。

Aug, 2023

边缘计算和微控制器 (MCUs) 上的量化和对抗示例在深度边缘上的有效性进行了实证评估。量化增加了决策边界的点距离，并导致某些攻击估计的梯度爆炸或消失，同时量化能够增强或减弱噪声，导致梯度失调。尽管输入预处理防御在小扰动上效果显著，但在扰动增加时表现不佳，而基于训练的防御方法可以增加决策边界的平均点距，并且在量化后仍然有效，但我们认为基于训练的防御仍需解决量化偏移和梯度失调的问题以对抗对 QNNs 的敌对示例可迁移性。

Apr, 2024

该文章提出了一种直接部署到标准深度神经网络模型中的简单方法，通过引入两个经典图像处理技术，标量量化和平滑空间滤波，将图像中的扰动降低到最小，使用图像熵作为度量标准，可以有效地检测出对基于多种攻击技术的先进深度学习模型的 20,000 多个对抗样本，最终的实验结果表明，该检测方法可以取得 96.39％的高整体 F1 评分。

May, 2017

基于云边弹性模型适应（CEMA）范式，本文提出了一个在边缘设备上进行深度学习模型自适应的方法，通过前向传播和样本重放策略，更新和分发规范化层的仿射参数，以适应动态变化的环境，从而提高性能并减少通信负担。

Feb, 2024

该研究引入了一种三阶段训练模型，结合增强的剪枝方法和模型压缩技术，以提高入侵检测系统的效果，并同时保持高准确性水平。实证评估结果表明，该解决方案显著减小了模型的维度，同时保持了与类似提议相当的准确性水平。

Jan, 2024

提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

Jan, 2020

该研究旨在解决如何创建可部署在资源受限的嵌入式设备上的精确、稳健、小型的深度神经网络模型的挑战，并报告了使用自动量化感知训练框架 QKeras 训练的鲁棒性小型 DNN 模型的结果，该模型稳健性能显著优于现有基准测试。

Apr, 2023

本文介绍了基于神经网络技术的能量盗窃检测方法，以及如何使用对抗性攻击使得机器学习模型容易受到攻击，从而欺诈性报告极低的功率消耗测量值，绕过机器学习能量盗窃检测，实现攻击目的。实验结果表明，这种方法能够显著降低机器学习模型的检测准确性，即使对于黑盒攻击。

Jun, 2020

本文提出了一种在线识别人们佩戴个人防护装备的架构，可用于确保建筑工人的安全，可以在边缘 - 云和仅边缘的两种设置下部署，使用 YOLOX 方法在建筑工地上进行了测试，初步评估表明，对于这种用例，边缘部署是可行的，未来的工作将包括对两种架构变体性能方面进行深入研究和部署。

Jan, 2023

深度学习算法在高能物理学领域中越来越受到重视，特别是针对飞行物理观测中标签识别任务的，研究者们正致力于提高模型的稳健性并针对异常数据提出对抗性训练策略以提高模型的鲁棒性。

Mar, 2023