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

本文介绍了适用于物联网应用的多种学习框架，分别研究了机器学习、顺序学习和强化学习的优缺点、适用性及关键结果，并引入基于认知层次理论的新框架来处理物联网的异构性和资源限制，最终展示了在物联网中使用认知层次理论的关键结果。

Oct, 2016

本文探讨了检测异常的各种机制，介绍了建立机器学习模型时需要考虑的关键因素，并探讨了使用多个自建物联网设备收集数据时如何有效地发现点、上下文和组合异常。此外，还讨论了处理数据采样率不同的传感器设备的挑战和潜在解决方案，以及基于环境条件提取子数据集的优缺点。

Oct, 2022

本论文旨在为大规模物联网网络设计高效的数据聚合框架，以支持物联网分析层的正确运行，研究内容包括非凸优化、机器学习、随机矩阵扰动理论和联邦滤波等现代算法框架，以及雾计算和云计算等现代计算基础架构。本研究提出了三种独立的新方法，分别解决了 IoT 数据聚合中的三个主要挑战：能源效率路由、处理不确定的原始 IoT 数据、预测基于丢失的通信开销和隐私问题的医疗 IoT 设备的数据聚合框架。

Jul, 2019

在物联网时代，物联网数据的高维和高频率给时序分类或回归带来了挑战，而深度学习算法在智能物联网应用中表现出了优异的时间序列数据分类性能。然而，发现时序中隐藏的动态模式和趋势仍然困难。近期的研究表明，将物联网数据转换为图像可以提高学习模型的性能。本文介绍了在物联网领域中使用图像转换 / 编码技术的研究进展，并根据其编码技术、数据类型和应用领域进行了综述。最后，我们强调了图像转换面临的挑战和未来的发展方向。

Nov, 2023

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

本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

Feb, 2018

本文介绍了在 IoT 领域中使用深度学习技术进行分析和学习的综述，包括 IoT 数据的特征和处理方法，以及深度学习算法及其在 IoT 领域中的应用和挑战，同时讨论了智能 IoT 设备背景下应用深度学习的实现方法，以及在雾计算和云中心的运用。

Dec, 2017

该论文提供了智能物联网环境（iIoTe）的能效技术和性能的最新综述，并着重研究了资源、延迟、隐私和能源消耗之间的权衡，并提供了将这些技术集成到能效 iIoTe 中的愿景和解决开放性研究挑战的路线图。

Oct, 2021

本研究提出了一种基于物联网的综合智能能源管理框架，并研究了基于智能机制的能源管理解决方案，使用所收集的数据来监控、控制和提高系统的效率。

Jun, 2023