- 振动基础模型的效率与稳健性在物联网感知中的应用:案例研究
该研究论文演示了使用无标签传感数据进行预训练的基于振动的基础模型(FM)在运行时推理中提高鲁棒性的潜力,通过一个基于声学和地震感知的车辆分类应用的案例研究,证明了该预训练 / 微调方法改善了下游推理的鲁棒性,并促进了对不同环境条件的适应。
- 利用 Transformer 增强物联网应用中的自动调制识别
利用 Transformer 网络为物联网应用中的自动调制识别提出了一种高效的方法,优于传统深度学习技术,实现了最高的识别准确度。
- 超维度计算在边缘智能中的终身应用
设计和部署了首个适用于有限监督的 IoT 应用的设备上终身学习系统 LifeHD,基于 Hyperdimensional Computing (HDC) 的轻量级学习模式,在离线边缘平台上实现,通过智能存储和管理高维、低精度矢量来提高非监督 - SudokuSens: 基于生成方法提升物联网感知应用的深度学习鲁棒性
SudokuSens 是一个用于 IoT 应用中机器学习训练数据的生成框架,通过生成合成数据来模拟实际传感器数据收集过程中未遇到的实验配置,以提高深度学习模型的鲁棒性,适用于数据收集代价昂贵的 IoT 应用。
- 太阳能小型细胞网络中的无人机辅助负载管理与通信优化
该研究介绍了一种通过使用由无人机携带的空中基站在绿色微电网网络中稳定和安全地重新分配电力的创新负载转移方法,以解决 5G 及其后续系统中的能源限制问题,并通过优化电源分配来管理能量赤字。这个方法与当前用于为基站供电的现有电缆输电系统相比,复 - SamurAI: 具有事件驱动唤醒和嵌入式机器学习加速的多功能物联网节点
本文介绍了一种可提高 IoT 应用程序性能和节能的 IoT 节点架构 SamurAI,旨在优化节点的机器学习能力、数据传输和能源管理。
- SUGAR: 基于资源感知图划分的高效子图级训练
通过资源感知的图分割 (SUGAR) 提出了根据子图级别进行有效训练的方法,在五个图基准测试上进行了实验,结果表明 SUGAR 可以在大规模图上实现高达 33 倍的运行时间加速和 3.8 倍的内存减少,为开发适合于物联网部署的资源有效的 G - MM物联网联邦学习综述
本研究是一项关于边缘设备上联合学习技术在物联网(IoT)应用中的综合调研,探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗,智能交通,无人机,智慧城市,智慧工业等应用领域中的潜力,并总结了可借鉴的经验教训和当前的挑战与未来研 - 物联网智能化发展的进展、挑战和机遇概述
本篇综述介绍了人工智能赋能物联网的全景,在云计算、雾计算和边缘计算三个方面,介绍了 AIoT 的体系结构,然后从感知、学习、推理和行为四个角度阐述了 AI 在物联网领域中的研究进展,最后概括了一些有前景的 AIoT 应用,并强调了 AIoT - KDD带异构标签和模型的资源受限联邦学习
本文提出了一个应对标签异质性的框架,该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高,并在树莓派 2 上进行了实验以演示其设备内功能。
- 智能 IoT 应用的个性化联邦学习:一种基于云边的框架
本文提出了一种基于云边架构的个性化联邦学习框架,以解决在物联网环境下的设备、统计和模型异构性,能够为智能物联网应用提供高效时延和低延迟的处理能力,并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。
- MM基于微服务的框架,支持互操作的物联网应用,以增强数据分析能力
提出了一种基于微服务和语义虚拟化的物联网架构,通过知识驱动和数据驱动技术支持智能服务,并使用机器学习管道实现数据驱动方面。
- LoRa 网络调查:研究问题、当前解决方案和待解决问题
本篇综述了目前最流行的 IoT 通信技术 —— 低功耗广域网(LPWAN)之一的 LoRa 网络,主要介绍了其技术挑战和解决方案,并探讨了其存在的开放性问题,以期激发更多人研究和完善 LoRa 网络,以应对未来物联网应用的巨大需求。
- 边缘上的口语理解
本文介绍了一种嵌入式的、面向小型物联网应用的 Spoken Language Understanding 系统,并证明其性能可以与基于云的商业解决方案相媲美。同时,我们还提供了我们实验使用的数据集,旨在促进 SLU 社区的可重复性和有益性。
- 了解 LoRaWAN 的限制
本文旨在客观概述 LPWAN 网络(其中 LoRaWAN 是最常用的网络之一)的限制,通过使用案例展示技术的局限性,全面介绍该技术的各种限制。