- 资源约束下基于数据蒸馏的语音情感识别
通过合成、缩小和提炼数据集的方法，我们提出了一种数据蒸馏框架，以促进在物联网应用中高效开发情感语音识别模型。我们的实验表明，可以有效地利用提炼后的数据集来训练情感语音识别模型，并且性能与使用原始完整的情感语音数据集开发的模型相当。
- 具有模型压缩的异构边缘设备上具有容错性的分布式推理
RoCoIn 是一种用于异构边缘设备上本地分布式执行深度神经网络推断任务的稳健合作推断机制，通过知识蒸馏从大型模型中学习独立而紧凑的学生模型，并以冗余方式部署和执行相同的学生模型以提高推断过程的容错性和系统响应速度。与几种基线方法相比，广泛 - KDD智能家居中的基于时间感知的无监督用户行为异常检测：通过损失引导的掩码方法提高家庭安全性
借助互联网物联网技术，智能家居为人们带来了很大的便利，但也因用户的不当操作和恶意攻击等异常行为而存在安全隐患。本文就智能家居用户行为的异常检测提出了 SmartGuard 方法，它通过自编码器结合动态掩码策略、时间感知的位置嵌入和噪声感知的 - LLM 基于的高效物联网生成方法
在本研究中，我们提出了一种在局域网设置中部署的基于文本生成的物联网（GIoT）系统，通过应用提示工程方法增强开源 LLMs 的能力，并设计了提示管理模块和后处理模块，以管理不同任务的个性化提示并处理 LLMs 生成的结果。通过对两个流行的 - MM智能物联网综述：应用、安全、隐私与未来发展方向
本论文综合调查了智能物联网（IIoT）在移动网络中的重要应用以及与之相关的安全和隐私问题，并提出了若干关键挑战和潜在研究方向。
- 使用深度学习方法主动检测物联网服务中的物理规则漏洞
提出使用深度学习方法从用户需求描述中主动发现可能的物理互规则相互作用的新框架，并利用 Transformer 模型从描述中生成触发 - 动作规则，通过自然语言处理工具发现两种类型的物理互规则漏洞并确定相应的环境通道，进一步提出一种方法来识别 - 加强物联网环境中的网络入侵检测：自监督学习和少样本学习
该研究论文介绍了一个新颖的入侵检测方法，结合自监督学习、少样本学习和随机森林，通过从有限和不平衡的数据中学习并增强检测能力，优于现有方法，在物联网网络中检测和分类潜在的恶意软件和各种攻击，如 MaleVis 和 WSN-DS 数据集的准确率 - 通过最小化收敛来增强 FedProx 算法
通过 G Federated Proximity 技术，提高物联网在工业领域中的准确性、效率和收敛性，实现更好的通信、连接和数据分析。
- 边缘机器学习中的数据质量：现状调研
数据驱动的人工智能系统和机器学习对我们的生活产生了巨大的影响，然而在边缘计算和物联网设备的环境下，数据质量的研究变得异常重要和紧迫。本文填补了这一领域的知识空白，提供了全球范围内从多个学科角度探讨边缘计算中数据质量的现有文献，并探讨了各个维 - 利用 CNN 和 LSTM 提升物联网安全性的入侵检测系统
提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）深度学习模型的入侵检测系统（IDS）模型，用于保护物联网设备免受网络攻击的伤害，通过利用 CNN 的空间特征提取功能进行模式识别和 LSTM 的顺序记忆功能进行复杂时序依赖分析，实 - 物联网和 NextG 网络的图神经网络综述
物联网和下一代网络领域，图神经网络的应用和进展作出了重要贡献，并提供了全面的调研，包括数据融合、入侵检测、频谱感知等方面，同时对网络和战术系统的利用进行了详细描述，为研究者提供了一个全面资源。
- CityGPT：面向多智能体系统的城市物联网学习、分析与交互
通过智能化系统，结合大规模感知器在物联网中产生的时空数据，我们提出了一种名为 CityGPT 的通用框架，以实现对物联网时间序列数据的学习和分析，从而增加公众对数据的洞察力，并在物联网计算中保证了稳健性能。
- 室内无线信道估计的深度学习方法与低功耗通信
该研究论文探讨了深度学习在低功耗物联网通信中利用接收信号强度指示器（RSSI）进行准确信道估计的潜力，通过基于全连接神经网络（FCNN）的两个模型（A 和 B），它们分别实现了 99.02% 和 90.03% 的均方误差（MSE）减少。与其 - 数字健康与室内空气质量：基于物联网的人性化可视化平台促进行为改变和技术接受
通过使用 COM-B 模型和物联网技术设计以人为中心的数字可视化平台，该研究调查了用户对室内空气质量技术的接受和采用情况，关注它们的体验、期望和对室内空气质量的影响，进而导致行为变化和改善室内空气质量。
- 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 - ICLRLuganda 语音意图识别用于物联网应用
该研究项目旨在为物联网应用开发一种 Luganda 语音意图分类系统，从而将当地语言纳入智能家居环境中。
- MM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
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 - 智能能量采集物联网网络的循环管理与唤醒技术
该研究提出了一种基于最近邻的根据空间和时间相关性管理 IoT 设备的有效循环管理方法，以延长电池寿命和减少能量不足情况，相较于随机循环基准，能够显著降低误检概率和能源消耗 50%。
- 联合学习在合作推理系统中的应用：以早退出网络为例
通过在合作推理系统中考虑服务速率的差异，我们的新型联邦学习方法针对 IoT 技术下的边缘设备设计，不仅提供严格的理论保证，而且超越了目前合作推理系统的最先进训练算法，尤其是在推理请求率或数据可用性在客户端之间不均匀的场景下。
- 增强物联网安全性：一种新颖的特征工程方法用于基于机器学习的入侵检测系统
本文介绍了一种在边缘用户物联网环境下改进机器学习型入侵检测系统的方法，通过创建信息性特征来在成本和准确性之间实现平衡，并利用混合二进制量子启发式人工蜜蜂群算法和遗传规划算法来减少冗余特征。其中，NSL-KDD、UNSW-NB15 和 BoT