- 基于物联网防御的文本转 SQL 之上:用于查询和分类物联网威胁的全面框架
基于物联网文本到 SQL 数据集,我们研究了如何从返回的数据中推断新信息,通过两阶段处理(查询和数据信息推断)可以改善文本到 SQL 的性能,并提供了测试领域特定推理的新方法。
- VeriSplit: 通过 IoT 设备安全且实用地进行机器学习推理卸载
提出了一种名为 VeriSplit 的机器学习推理离线框架,使用掩码技术保护数据隐私和模型机密性,并采用基于承诺的验证协议确保推理结果的完整性。相比于本地计算,该解决方案能够减少推理延迟 28%-83%。
- 生成人工智能(GAI)在移动和无线网络中的应用:综述
人工智能在移动网络和物联网领域的成功促进了移动网络和未来互联网向整合人工智能的物联网时代迈进。本文详细介绍了生成式人工智能在移动和无线网络中的作用,包括基础知识、模型、应用、网络管理、无线安全、语义通信,并总结了当前移动和无线网络中生成式人 - 基于信息论的物联网环境下的联邦多标签特征选择
本文介绍了第一个针对物联网环境中分布式多标签数据集合的联合多标签特征选择方法 FMLFS,通过对边缘服务器上的度量的聚合和 Pareto 双目标策略以及拥挤距离策略,将排序后的特征返回给物联网设备,评估结果表明 FMLFS 在性能、时间复杂 - OCD-FL: 一种基于对等选择的高效通信的分布式联邦学习
通过系统性的 FL 节点协作选择,同时减少能源消耗,使得 OCD-FL 能够在减少至少 30% 且高达 80% 的能源消耗的情况下,实现与全面协作 FL 类似或更好的性能。
- 机经经济学:智慧城市能源互联网中的新范式
通过机器学习和机制设计理论,本研究旨在借助人工智能和物联网技术,引入 Machina Economicus 这一新兴范式,探究模拟、分析和优化基于人工智能和物联网的能源互联网(EI)的用户行为,在 AI 与共享经济相结合时,AI 将如何重塑 - 优化的集成模型以实现安全的工业物联网设备
提出了一种基于贝叶斯优化 - 高斯过程(BO-GP)和集成树状学习模型的框架,以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示,与标准树模型和集成树模型相比,该框架在检测精度、准确率和 F-score 方面有所提高。
- CyberForce: 基于联合强化学习的恶意软件缓解框架
使用联邦强化学习 (FRL) 确定用于减轻各种零日攻击的适当移动目标防御 (MTD) 技术的 CyberForce 框架已成功应用于一个由十个物联网设备组成的联邦中,并展示了高准确性和较短的训练时间相比集中式强化学习 (RL) 代理的优势。
- 针对联邦学习的黎曼低秩模型压缩与空中聚合
本文提出了一种新颖的低秩模型压缩的流形优化公式,其不需要放松低秩约束,并介绍了一种共识惩罚来支持 OTA 聚合。基于我们的优化公式,我们提出了一种交替黎曼优化算法,具有有效的 OTA 聚合,同时不会影响训练性能。在真实世界的数据集方面进行了 - WeiAvg: 促进数据多样性的联邦学习模型聚合
本文提出了一种新颖方法 - WeiAvg,利用投影估计方法来估计客户端数据的多样性,从高多样性客户端强调权重更新,减少低多样性客户端的影响,实验结果证明 WeiAvg 优于原始的 FedAvg 算法和 FedProx,能更快、更准确的达到收 - 隐私保护的融合增强型深度神经网络边缘云融合框架
本文提出了一种通过差分隐私保护技术,结合深度神经网络、迁移学习和集成学习,实现在医疗保健领域下针对物联网、边缘计算和云计算融合的框架。该框架可用于在边缘服务器上进行本地模型训练以提高模型精度,并通过集成多个本地模型生成高精度的最终模型,同时 - 区块链联邦学习在物联网中的应用:一项综合调查
本文全面评估了基于区块链和联邦学习的 Blockchained Federated Learning (BlockFL),并在四个物联网应用场景中比较了现有 BlockFL 模型的安全性、隐私性、可靠性、效率和数据异构性等特征,结果表明去中 - 基于深度强化学习的 MIMO-NOMA 物联网系统中功率分配以最小化 AoI 和能耗
本文提出了一种基于深度强化学习的 MIMO-NOMA 物联网系统的最优功率分配策略以最小化信息时延和能耗,并通过广泛的模拟实验证明了其优越性。
- 使用物理传感器数据保障物联网通信 -- 基于图层安全加强的联合多智能体深度强化学习
本文针对物联网中基于物理层安全的密码学方法,提出了一种名为 GLS 的新概念,并介绍了一种利用分布式深度强化学习辅助的联邦式多智能体分布式密钥生成方案 (FD2K),实现了密钥协议率和密钥随机性方面的可观安全性能。
- MM神经形态学无线感知:远程推断的事件驱动语义通信
本篇论文提出了一种全新的神经形态计算无线物联网系统设计,通过整合基于脉冲的传感、处理和通信,每个感测设备都搭载了神经形态传感器、一个脉冲神经网络和多天线脉冲无线电发射器,传输共享衰落信道到具有多天线脉冲无线电接收器和脉冲神经网络的接收器。该 - HCFL: 面向非常大规模 IoT 网络的通信效率高的联邦学习高压缩方法
本文提出了一种称为高压缩联邦学习的压缩方案,可应用于大规模物联网网络中的协作学习,以减少通信成本并提高学习过程的适应性,并探索了物联网设备数量与 FL 模型收敛水平之间的关系。
- SemiPFL:边缘智能个性化半监督联邦学习框架
本文提出了一种名为 SemiPFL 的方案,支持边缘用户在服务器上协作训练超网络,为每个用户生成个性化自动编码器,并在收到来自边缘用户的更新后,基于他们自己的标记数据集,本地汇聚生成一组用户的基础模型,并且这个解决方案在处理数据异质性和有限 - FedAdapt: 面向物联网设备的联邦学习自适应离载
本篇文章提出了 FedAdapt,这是一种联邦学习框架,通过层次化的离线和强化学习优化,将深度神经网络中的特定层进行远程卸载,以解决物联网设备执行效率、设备计算异构性和网络带宽变化等方面的挑战,实验证明,相比传统的联邦学习,FedAdapt - MM基于无线设备间网络的联邦学习算法与收敛分析
该研究探讨了基于设备对设备(D2D)网络的联邦学习,在分布式随机梯度下降算法实现中,利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进,并且在假设凸性和连通性的情况下提供了收敛性结果。
- 一种轻量级分布式语义通信系统,用于物联网
本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC,该系统通过模型裁剪,低权重分辨率,优化语义星座,以及使用信道状态信息辅助训练等技术,旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明,在低信噪