本文研究小型 IoT 系统中的能量收集、访问控制和电池预测问题，提出了基于强化学习和深度 Q 网络的三种算法，实验结果表明这些算法在性能上比现有基准方法更优秀。

May, 2018

综述了 TinyML 的背景、各种支持 TinyML 的工具、利用先进技术进行 TinyML 的最新应用以及未来研究方向，TinyML 是一种嵌入式 ML 技术，使 ML 应用程序能够在多个廉价、资源和功耗受限设备上运行

Mar, 2023

本研究利用 Q 学习在奶牛养殖场景中学习了一种有效的电池充放电策略，结果显示与基准算法相比，该策略显著降低了电费，突出了奶牛养殖业中强化学习在电池管理方面的有效性。

Aug, 2023

本文提出了一种适用于微控制器单元 (MCUs) 的无电池 ML 推理和模型个性化管道，使用此管道在深海中进行了鱼类图像识别并比较其准确性，运行时长，功率和能源消耗等优劣，结果表明，在 MCUs 上可以实现 97.78％的精度，达到了无电池 ML 推理的可行性。

May, 2023

随着技术的进步，机器学习在网络安全中的应用变得越来越重要，而在资源受限环境下使用微型机器学习成为解决方案之一。本文综述了微型机器学习技术所面临的挑战，例如能量消耗、内存有限和计算约束，并探讨了相应的解决方案，如能量收集、计算优化技术和隐私保护的迁移学习。此外，本文讨论了微型机器学习在电动车充电基础设施（EVCI）的网络安全方面的应用，并通过实验案例研究表明，在降低延迟和内存使用方面，与传统机器学习相比，在精确性方面有轻微的折衷。并通过在 PlatformIO 环境中使用 ESP32 微控制器进行实际设置，对微型机器学习在 EVCI 网络安全中的应用进行了实践评估。

Apr, 2024

本文比较了四种最先进的算法在两个实际应用中的效果，其中之一是基于加速度计数据的手势识别，另一个是图像分类，结果证实了这些系统的可靠性和在微型存储器 MCUs 中部署的可行性。

Sep, 2022

本文探讨了如何将机器学习算法应用于低功耗廉价的物联网设备中，TinyML 作为将深度神经网络模型部署到嵌入式系统上的交叉领域，将为边缘服务和应用程序铺平道路。

Nov, 2022

通过采用基于 Q 学习的算法，将可再生能源集成到奶牛养殖中，能够有效降低奶牛养殖对电网进口电力的成本，减少峰值需求，并且在利用风力发电时可获得更好的效果。

Mar, 2024

本文提出了一种方法，利用强化学习技术，在能源意识系统中连续进行弱训练，从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签，然后训练出模型。本方法在模拟本地化环境上进行了评估，并在可用的普遍健康数据集上进行了验证，以利用接收信号强度实现真实的住宅本地化。我们展示了该方法实施成本低、需要更少的工作门槛和能够提供随时间增加的性能改进和能源节约。

Nov, 2018

通过将 transformer 架构与 Proximal Policy Optimization（PPO）相结合，本文引入了一种新颖的框架来解决物联网应用中复杂环境下智能决策中的挑战，通过利用 transformer 的自注意机制，增强了强化学习代理在动态物联网环境中的理解和行动能力，从而提高了决策过程的效率。通过在智能家居自动化和工业控制系统等各种物联网场景中进行实证实验证明了该方法的有效性，显示了决策效率和适应性的显著提高。该研究的贡献包括对处理异构物联网数据中 transformer 的作用进行详尽的探索，对框架在不同环境中性能的全面评估，以及与传统强化学习方法进行的基准测试。结果表明该方法显著提高了强化学习代理在物联网生态系统中应对复杂性的能力，凸显了该方法在物联网领域智能自动化和决策制定领域的潜力。

Apr, 2024