流网络学习的传感器布置
在复杂环境中，我们解决了高效和无障碍监视或通信的问题，通过使用最少数量的传感器覆盖环境，并考虑对传感器故障或对抗性攻击具有鲁棒性的解决方案。我们提出了一种贪婪算法来实现多覆盖约束的最小传感器集设计目标，并探索了使用深度学习技术加速贪婪算法中目标函数的评估。神经网络的训练揭示了数据的几何特性显著影响网络性能，特别是在最后阶段。通过考虑这些特性，我们讨论了使用贪婪算法和 ϵ- 贪婪算法生成数据的差异及其对网络的鲁棒性的影响。
Sep, 2023
利用深度强化学习方法自动学习改进性启发式算法，提出一种针对环境监测和灾害管理的传感器布置方法，与现有方法相比，证明了其在生成高质量解决方案方面的有效性和优越性，为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。
Oct, 2023
传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。
May, 2024
通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。
Mar, 2017
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
本文通过对于 2002-2013 年期间机器学习方法在无线传感器网络中应用的文献综述，评估和比较了各种算法的优缺点并提供了指导性建议，以帮助 WSN 设计人员为特定的应用挑选最合适的机器学习解决方案。
May, 2014
本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数，结果表明在基于 Inception-V3 的 ImageNet 分类和基于 RNN LSTM 的语言建模和神经机器翻译的任务中，使用该模型能够发现优于手动设置和传统算法方法的设备放置方案。
Jun, 2017
本文提出了一种新的传感器放置问题的建模方法，在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解，并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。
May, 2019
本文提出了一种端到端的基于图神经网络的可扩展顺序关注机制，并使用超前网络在每个独立图上进行微调，达到了优于人类专家和先前技术的 16% 平均改善和 15 倍更快的收敛速度，从而实现了有关大型神经网络和设备放置的计算成本和效率的突破。
Sep, 2019
本研究提出一种基于 Correlation Sampling 算法的机器学习方法，可以更好地解决电网电量计算问题，相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模，与传统的 copula-based 方法相较，该算法能更广泛地覆盖采样空间。
Apr, 2022