本文首次将自编码神经网络引入到无线传感器网络中，提出一种基于两部分算法的分布式检测机制，可高效识别各种设备故障和未知现象，并在实际测试中获得了高检测精度和低误报率，同时具备适应非平稳环境的非监督学习特性。

Dec, 2018

提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

Jan, 2020

本文提出了一种基于联邦学习的通信高效设备协作深度异常检测框架，使用注意力机制的CNN-LSTM 模型对工业物联网的时间序列数据进行准确探测，并使用基于 Top-k 选择的梯度压缩机制来提高通信效率。该框架可通过实验研究发现，准确及时检测异常并比未使用梯度压缩方案的联邦学习框架减少50％通信开销。

Jul, 2020

本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响IoT设备的恶意软件的框架，并使用N-BaIoT数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。

Apr, 2021

本文提出了ADDAI：一种分布式人工智能异常检测技术，旨在解决物联网（IoT）和工业物联网（IIoT）中大规模数据传输和系统高速运行的挑战，具有高速、鲁棒性、低通信开销、隐私保护和可扩展性等优点。该技术可减少工业物联网传感器数据上传到云端的通信开销，并提供了98.4%的预测准确率。

May, 2022

本文提出了一种名为'Tol-FL'的新型方法，将平面拓扑和星形拓扑相结合，以提高分散式技术的鲁棒性，并在客户端和服务器故障等方面表现优异，是无线网络异常检测分布式模型训练的高度合适方法。

Mar, 2023

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 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

通过使用联邦学习方法中的Fedavg算法解决了物联网设备中涉及的隐私问题，并提出了一个公平的Fedavg算法以解决在训练过程中出现的不公平问题。

Aug, 2023

该研究提出了一种名为CUMAD的有效和高效的框架，通过结合基于自编码器的异常检测子系统和基于顺序假设检验的顺序概率比测试子系统，累积足够的证据以检测受损的物联网设备，从而有效降低了误报数目，同时能快速检测到受损的物联网设备。

Apr, 2024