Jul, 2024

CrowdTransfer: 在AIoT社群中实现众包知识转移

HTML
PDF
TL;DR人工智能物联网（AIoT）是基于物联网（IoT）和人工智能（AI）技术深度融合的新兴领域。本文介绍了一种名为Crowd Knowledge Transfer (CrowdTransfer)的新型知识转移概念，旨在通过从人群中传递先前学习到的知识，以降低训练成本并提高模型在复杂实际场景中的性能。研究还探讨了AIoT领域的应用，如人体活动识别、城市计算、多机器人系统和智能工厂，并讨论了知识转移在AIoT社区中的未来研究方向。
发现论文，激发创造
  • 跨城市深度时空预测的迁移学习

    该研究提出了一种名为RegionTrans的跨城市转移学习方法，旨在解决城市计算中深度时空预测任务中数据匮乏的问题，并在人群流量预测实验中验证其有效性。

    Feb, 2018

  • 基于结构化知识迁移的高效众包计数

    提出一种利用结构化知识传输框架的轻量级学生网络来有效解决高计算量和显存消耗，提升推断效率的方法。通过两个互补的传输模块，学生网络可以从教师网络中获取分层和跨层知识来学习紧凑而有效的特征。实验表明，该方法在减少计算成本的情况下仍能显著提高计算速度和准确性。

    Mar, 2020

  • 物联网智能化发展的进展、挑战和机遇概述

    本篇综述介绍了人工智能赋能物联网的全景，在云计算、雾计算和边缘计算三个方面，介绍了AIoT的体系结构，然后从感知、学习、推理和行为四个角度阐述了AI在物联网领域中的研究进展，最后概括了一些有前景的AIoT应用，并强调了AIoT面临的挑战和潜在的研究机会。

    Nov, 2020

  • 不同空间和时间粒度下群众流量预测的增强

    本研究提出使用基于图卷积网络的CrowdNet解决人群流动预测问题，并通过实验证明CrowdNet相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

    Mar, 2022

  • 区块链作为智能环境迁移学习的实现者

    这篇研究提出了一种基于区块链和知识图技术的分散和自适应软件框架，以透明和可靠的方式支持物联网环境之间的知识交换和互操作性。

    Apr, 2022

  • 众包知识学习：简要综述与系统视角

    本文从数据、模型、学习三个维度，全面回顾了13年来AI社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。

    Jun, 2022

  • UCTB：城市计算工具箱，用于时空人流预测

    设计并实现了一个名为UCTB的时空人流预测工具包，它同时集成了多个时空领域知识和先进模型。

    Jun, 2023

  • 跨层优化实现资源高效AIoT系统：综述

    人工智能物联网（AIoT，AI+IoT）领域是由智能基础设施的广泛使用和深度学习（DL）的显著成功推动的。本研究通过优化资源友好型的深度学习模型以及模型自适应系统调度，来改善DL模型的准确性和响应性，推动由单独级别设置的性能边界。此外，针对AIoT环境的动态特性，本文还探索了适用于不同级别的上下文感知控制器，实现自动跨级别适应，并提出了资源高效的AIoT系统的一些潜在方向。

    Sep, 2023

  • FedAIoT: 人工智能物联网的联邦学习基准

    FedAIoT是一个用于AIoT的FL基准测试，包括来自广泛的IoT设备的八个数据集，以及简化了数据集性能基准测试的统一端到端FL框架。

    Sep, 2023

  • 会话式众感知：并行智能驱动的新型感知方法

    本文提出了一种新的感知范式，名为对话式众包感知，致力于解决 Industry 5.0 中的工作负荷、职业要求和多样化劳动力组织与运作等问题，以此促进众包感知系统的更快响应和更广泛普及。该范式通过有效组织不同社区的三种类型参与者（生物、机器人和数字）展开复杂交互和服务功能，实现三个感知阶段的各种任务的完成，并探索实现对话式众包感知的基础技术。同时，讨论了对话式众包感知的潜在工业应用和影响。我们设想在众包感知过程中，自然语言对话将成为主要的沟通渠道，使人类、机器人和人工智能之间实现更丰富的信息交流和合作解决问题。

    Feb, 2024