本研究提出一种基于深度学习的神经网络生成器和鉴别器的架构，用于合成安全的人类感官数据，以保护隐私和改善大型数据分析，并提出了一种基于 LSTM 神经网络分辨真实和合成迹线的方法。实验结果表明，基于深度学习的鉴别器模型的准确性只有 50％左右。

Jan, 2017

提出了一种新颖的深度学习模型，结合了卷积神经网络和双向门控循环单元，以端到端的方式学习本地和全局特征，并验证了在异构物联网传感器数据上优于最新的分类方法和多个机器学习和深度学习基线的有效性。

Mar, 2024

DeepSense 是一个综合性的深度学习框架，能够直接处理移动感应中的噪声和特征自定义挑战。该框架可以应用于广泛的应用，包括汽车追踪、人类活动识别和生物运动分析，大幅优于现有方法。

Nov, 2016

该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

Dec, 2023

本文通过使用集成机器学习方法以实现 IoT 的异常检测，提出了一个统一的框架，利用贝叶斯超参数优化适应包含多个 IoT 传感器读数的网络环境，实验结果表明与传统方法相比具有高预测能力。

Jul, 2023

该研究提出了一种基于神经网络的时间序列建模方法，通过信息编码向量实现在进行零样本迁移学习时对多元时间序列的鲁棒推断，解决了传统固定维度的局限性。

Jul, 2020

DOMINO 是一种新型的 HDC 学习框架，用于处理嘈杂的多传感器时间序列数据中的分布偏移问题。通过在高维空间上进行高效且并行的矩阵运算，DOMINO 能够动态地识别和过滤出领域变异的维度，从而在多传感器时间序列分类任务中取得了较好的准确性和速度优势。此外，在从部分标记的和高度不平衡的数据中进行学习时，DOMINO 相比于 SOTA DNNs 提供了更高的稳健性，对硬件噪声有着更好的抵抗能力。

Aug, 2023

本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

Feb, 2017

利用 Wasserstein 分数的生成对抗训练模型，结合预测不确定性和模型正则化，提高了异常样本检测的准确性，并在计算机视觉数据集上表现出卓越的泛化能力。

Oct, 2023

DeepIoT 是一种压缩神经网络的解决方案，它通过找到每个层所需的最小数量的非冗余隐藏元素，将神经网络结构压缩成更小的密集矩阵，同时保持感知应用程序的性能。在 Intel Edison 设备上的五个不同的感知相关任务中进行实验，DeepIoT 在执行时间和能源消耗方面优于所有比较的基线算法，而不会损失准确性。

Jun, 2017