ML在安全性方面存在漏洞，提出威胁模型并对攻击进行分类，探究了模型准确性与抗敌对操作的关系。

Nov, 2016

通过对 28 个组织的采访，我们发现行业从业者缺乏保护、检测和响应机器学习系统攻击的战术和战略工具。此文章旨在从开发者/ML工程师和安全事件响应者的角度，阐述了机器学习系统在传统软件安全开发背景下的安全性视图差异，以期鼓励研究人员在对抗ML领域中修订和修改软件安全开发生命周期。

Feb, 2020

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

本文是关于嵌入式与物联网系统中机器学习算法的鲁棒性对抗攻击及模型压缩技术的综述，进一步论述模型压缩方法对鲁棒性的影响，并探讨该领域的未解决问题。

Mar, 2023

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

TinyReptile是一种基于元学习和在线学习的有效算法，能够在资源受限的微型控制器之间协作性地学习神经网络的坚实初始化，并且相比具有类似性能的基准算法，能够至少将资源减少和训练时间节省两倍。

Apr, 2023

综述了TinyML的学习算法、系统实现工作流程、模型优化与设计、硬件设备和软件工具的特点，以及挑战和未来方向。

Sep, 2023

Tiny Machine Learning （TinyML）是机器学习的新领域。通过将深度学习模型应用于无数物联网设备和微控制器（MCU），我们扩大了人工智能应用的范围并实现了无处不在的智能。然而，由于硬件限制，TinyML具有一定挑战性，因为内存资源有限，难以容纳为云和移动平台设计的深度学习模型；同时，裸机设备对编译器和推理引擎的支持有限。因此，我们需要对算法和系统栈进行共同设计，以实现TinyML。在此综述中，我们首先讨论TinyML的定义、挑战和应用；接下来，我们调查了最近在MCUs上TinyML和深度学习的进展；然后，我们介绍了MCUNet，展示了如何通过系统-算法共同设计，在物联网设备上实现ImageNet规模的人工智能应用；我们还将解决方案从推理扩展到训练，并介绍了小型设备上的训练技术；最后，我们展示了这个领域的未来发展方向。今天的大型模型可能成为明天的小型模型，TinyML的范围应该随着时间的推移而不断发展和适应。

Mar, 2024

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

本研究针对工业控制系统（ICS）中机器学习（ML）面临的对抗攻击问题，提出了一种弹性边缘机器学习架构（reML）。通过数据空气间隔转换（DAGT）和随机化预测模型的创新方法，该架构能够提高系统的安全性，并能在资源受限的边缘设备中高效部署，实现对抗攻击的有效防御。

Sep, 2024