MMMay, 2024

一种统一的深度迁移学习模型用于准确的物联网定位在多样化环境中

PDF
TL;DR本文提出了一个统一的室内外定位解决方案，利用迁移学习在多个环境下构建单一的深度学习模型，准确预测物联网设备在不同环境中的定位。性能评估结果显示，采用基于编码器的迁移学习方案，在室内环境中可以将基线模型的性能提升约 17.18%，在室外环境中可以提升约 9.79%。
internet of thingsreal-time data collectionlocation-based servicessmart citiestransfer learning
发现论文，激发创造
  • DeepHeteroIoT: 深度局部和全局学习在异构 IoT 传感器数据上

    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

  • 多联感知技术：面向物联网的大规模多传感器学习

    提出了 MultiIoT，这是迄今为止最广泛的物联网基准，涵盖了来自 12 种方式和 8 项任务的超过 115 万个样本，引入了在学习许多感知模式、跨长时间范围内进行细粒度交互以及由于现实世界传感器的唯一结构和噪声拓扑而导致的极端异质性等方面的独特挑战，同时发布了一组强大的建模基线，从方式和任务特定方法到多感官和多任务模型，以鼓励未来在物联网的多感官表征学习方面的研究。

    Nov, 2023

  • 利用机器学习技术改进的物联网应用的室内定位

    利用机器学习算法和无线技术实现基于接收信号强度指示器 (RSSI) 的室内定位，通过测试不同的机器学习模型和无线技术，评估室内环境下的定位精度和稳定性。

    Feb, 2024

  • 设备无需接触指纹室内定位的少样本迁移学习

    本文提出了一种少样本学习系统以解决室内定位中数据收集和标记的负担，并使用图神经网络构建了转移学习框架，对于定位准确度的表现近似于使用卷积神经网络模型。

    Jan, 2022

  • 边缘计算方法在物联网架构中与机器学习相结合的室内环境参数高效估计的比较

    通过低成本边缘物联网架构，提出了实现轻量级机器学习模型估计室内环境质量参数的两种方法，采用神经网络和分布式并行物联网架构，以减少数据处理负载和能源消耗。实验表明，在温度和照度小数据集上进行的训练和测试中，估计性能接近 0.95 的 F 分数和准确度，并且在分布式并行方法中，功耗降低了将近 37%。与相关研究的等效物联网架构相比，达到了相似或稍微更好的性能，并实现了 35% 至 76% 的误差减少，从而在性能和能源效率之间取得了恰到好处的平衡。

    Feb, 2024

  • 均衡取舍：工业物联网网络入侵检测的联邦迁移学习

    本研究提出了一种联邦迁移学习（FTL）方法来进行工业物联网网络入侵检测，并且通过使用组合神经网络作为 FTL 的核心来提高整体性能。

    Oct, 2023

  • FeMLoc：面向物联网网络中自适应室内无线定位任务的联邦元学习

    FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

    May, 2024

  • 深度学习中的本地差分隐私

    该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。

    Aug, 2019

  • 基于深度置信网络的联邦入侵检测系统

    研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

    Jun, 2023

  • 基于机器学习的多元时间序列分类在工厂环境中的定位

    使用运动和环境传感器的基于机器学习的室内定位系统，在关注隐私的工厂环境中实现对移动实体的定位，通过多元时间序列分类进行问题建模，并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明，评估的所有模型均能实现超过 80％的准确性；其中，CNN-1D 表现最平衡，其次是 MLP；DT 的内存占用和推理延迟较低，表明在实际场景中有潜力进行部署。

    Aug, 2023