- 物联网网络中低控制开销的自适应聚类的集中强化学习框架
本研究旨在提出一种新颖的聚类协议 LEACH-RLC,通过混合整数线性规划 (MILP) 的策略选择聚类头和节点到聚类的分配,以及集成强化学习 (RL) 代理以最小化控制开销,实现降低能耗并提高网络性能的目标。通过大量的模拟实验,结果表明 - 大气层:边缘雾云计算的上下文和情境感知协同物联网架构
提出一种软件架构,利用边缘、雾化和云计算等不同层级之间的双向通信来最大限度地利用上下文和情境数据,并通过医院呼吸疾病监测的案例研究证明了该架构在满足物联网场景需求方面有着高效的通信。
- SunBlock:物联网系统的无云保护
使用人工智能工具结合经典的基于规则的流量过滤算法,在家庭路由器上本地有效地检测物联网威胁,实现对典型家庭物联网网络的保护,无需依赖云服务和第三方。
- DoorINet: 门设于门体物联网应用的深度学习惯性框架
利用低成本的惯性传感器,我们提出了一种名为 DoorINet 的端到端深度学习框架,用于从安装在门上的惯性传感器中计算方向角,而不使用磁强计干扰,以解决室内环境下磁强计性能下降的问题。通过对包含 391 分钟加速度计和陀螺仪测量值以及相应地 - 过去、现在、未来:对 Umbrella 物联网测试平台中人工智能应用案例的全面探索
UMBRELLA 是一个大规模、开放式的物联网生态系统,该论文介绍了 UMBRELLA 在实际物联网系统中已实施和预期的人工智能能力。论文详细介绍了四个现有的 UMBRELLA 应用,并概述了 UMBRELLA 在未来智能城市和多机器人众感 - 物联网健康中的生成式人工智能驱动人体数字仿真:一项综合调查
物联网、医疗、人类数字孪生、生成式人工智能、物联网医疗是研究的关键词,本文重点介绍了生成式人工智能驱动的人类数字孪生在物联网医疗领域的应用和实现方法,包括数据获取、通信、管理、数字建模和数据分析等方面,以及个性化健康监测、诊断、处方和康复等 - 机器学习基于物联网生态系统中的攻击揭秘:调查及背后的开放图书馆
通过全面的研究和分析,本文旨在为人工智能在物联网快速发展的领域中保护 ML 模型和数据提供宝贵见解和实际解决方案。
- 在交换演算中编程分布式集体进程
近期趋势如物联网(IoT)表明了在几乎所有类型的环境中进行计算设备的密集和多尺度部署的愿景。一个重要的工程挑战是编程这些计算生态系统的集体自适应行为。本文提出了分布式集体过程的抽象概念,并在两个案例研究中使用多跳消息传播和分布式空间属性监测 - 工业 4.0 中大数据探索的语义方法
基于语义的可视化查询系统在第四工业革命(工业 4.0)中的应用,该系统利用自定义数字化表示的机器和语义描述来实现对数据的探索和可视化,提供更高层次的抽象查询、基于数据格式和性质的定制图形可视化结果以及下载丰富数据以进行进一步的分析。
- 人体活动识别的联邦遗忘
提出一种用于改善全球人类活动识别模型的轻量级机器遗忘方法,通过选择性删除客户端的部分训练数据,并使用 KL 散度作为微调的损失函数,以使预测的概率分布与第三方数据集相一致。
- NeuSpin:基于自旋电子技术的可靠边缘神经形态系统设计,用于绿色人工智能
通过全栈硬件和软件共同设计,NeuSPIN 项目旨在解决基于自旋电子技术的 CIM 平台上 BayNNs 的可变性和制造缺陷所带来的挑战,并开发新的算法和电路设计方法,以提高 BayNNs 在 CIM 硬件上的性能,能效和稳健性。
- 生成式人工智能时代的物联网:视野与挑战
利用产生式人工智能(Generative AI)将物联网(IoT)推向新水平,提供巨大的潜力和重要应用领域。然而,在实现物联网中充分利用 Generative AI 方面存在着一些关键挑战和机遇。
- ZodiacEdge: 一种带有增量规则集维护的 Datalog 引擎
本文提出了一种基于分层策略的依赖超图适应方法,用于在 Datalog 推理中进行增量维护,特别适用于物联网和边缘计算的环境中,通过对智能设备的新获取知识进行推理和 Datalog 规则的更新。
- 走一条非规则路径:增强时间序列预测变压器的解码器
提出了利用 FPPformer 在时间序列预测 Transformer 中设计全面和合理的层次结构,从而验证了其在六个最新基准测试中的显著性能,并且 decoder 在时间序列预测中的精心设计的重要性。
- 工业网络的数字孪生本地化人工智能驱动服务架构
互联需求的剧增导致物联网(IoT)传感器过量。为了满足大规模网络的管理需求,如准确的监测和学习能力,数字孪生是关键驱动因素。然而,由于物联网网络的连续连接要求,目前对数字孪生的实施尝试仍然不足。为了应对这些挑战,我们提出了一种数字孪生本地 - 联邦学习与物联网设备部署的原型
在技术时代,数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习(FL)解决方案原型,通过测试其性能和可用性证明了这些技术的可行性,尽管在许多情况下它们没有达到传统方法的性能水平。
- 面向物联网的协作机器学习的区块链解决方案
本文提出了一种将增量学习矢量量化算法(XuILVQ)与以太坊区块链技术结合,以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能,展示了其在物联网环境中提高机器学习任务准确性和效率的 - 物联网时序数据的图像转换:一综述
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 - 通过自动网络流量分析提升物联网安全性:从机器学习到深度学习的转变
本研究比较分析了深度学习(DL)在处理物联网(IoT)任务中,如攻击分类和设备类型识别方面,如何超越机器学习(ML)的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型,我们获得了有关这些模型在不同 IoT 配置下的适应 - 边缘上的主动推理:一个设计研究
机器学习在分布式计算系统中被广泛应用于解释和预测行为,特别是在物联网设备产生大量数据时,通过边缘设备进行数据处理和机器学习训练。为了保证服务质量,系统通过机器学习进行监督和动态调整。然而,如果机器学习模型长时间不进行重新训练,它们可能无法准