- 基于机器学习的多元时间序列分类在工厂环境中的定位
使用运动和环境传感器的基于机器学习的室内定位系统,在关注隐私的工厂环境中实现对移动实体的定位,通过多元时间序列分类进行问题建模,并比较分析不同的机器学习模型的准确性、内存使用和推理速度。结果表明,评估的所有模型均能实现超过 80%的准确性; - 分布式图像语义无线传输的高效通信框架
提出了基于联邦学习的语义通信框架(FLSC),旨在通过全局聚合改善多任务分布式图像传输,其中每个用户的每个链接由基于分层视觉变换器(HVT)的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明,FLSC 在粗略语义信息方面表现优秀 - ResWCAE:基于残差小波条件自编码器的生物特征模式图像去噪
通过提出一种轻量级、稳健的深度学习体系结构 Res-WCAE with Kullback-Leibler 散度正则化,专为指纹图像去噪设计,在高噪声情况下对比多种先进去噪方法进行了实验,结果表明 Res-WCAE 在嵌入式 IoT 设备中的 - 6G 边缘网络中的分布式学习
本文主要介绍了在 6G 移动网络时代,如何将分布式边缘计算资源与联邦学习相结合,并引入分裂学习以处理海量资源受限的物联网设备,重点讨论边缘分裂学习及其在多边缘协作与移动管理中的设计问题与待解决的开放性问题。
- 基于物联网边缘设备的联邦学习实证研究:资源分配与异构性
本文通过在大量物联网和边缘设备网络上系统地进行广泛实验,重点关注异构情况,以探究在设备上实施联合学习的可行性,并呈现了其现实世界的特征,包括学习性能和操作成本,为研究人员和从业者提供有价值的见解,促进联邦学习的实用性,并帮助改进现有的联邦学 - 使用置信度阈值训练高维计算分类器
本文介绍了一种扩展超维计算(HDC)训练过程的方法,通过考虑那些被 HDC 模型正确分类但置信度低的样本来达到更好的分类准确性,并在 UCIHAR、CTG、ISOLET 和 HAND 数据集上测试证实了该方法的有效性。
- 物联网微控制器设备智能包过滤的设计与实现
本文提出一种低资源、基于机器学习的 T800 数据包过滤器来保护物联网 (IoT) 设备免受恶意攻击,该方案通过排除未请求的恶意流量,提高设备的计算能力,并适用于不同系统。
- 边缘面部表情识别:CPU vs GPU vs VPU vs TPU
本研究提出了一种分层框架,用于针对边缘部署开发和优化硬件感知的 CNN,并且在多种边缘 AI 加速器上进行全面的分析。使用该策略在 CK + 面部表情数据集上达到了 99.49% 的峰值准确度,并实现了 0.39 毫秒的最小推断延迟和 0. - 物联网能源服务中的能量损失预测
本论文提出了一种称为 Energy Loss Prediction(ELP)的框架,用于估计共享众包能源服务中的能量损失。 提出了一种名为 Easeformer 的新型基于注意力机制的算法,用于在共享能源环境中预测物联网设备的电池电量,从而 - HeteroEdge: 解决异构协作自主系统中的不对称问题
本文提出了一个用于优化深度学习算法输入、模型推理通信、深度学习算法的自适应优化框架,并通过评估表明,将数据的 70% 分配给辅助结点可以最小化离线延迟,节约总操作时间。
- 边缘计算下的物联网联邦区块链学习
本文提出了一个分布式联邦学习框架,使用区块链实现去中心化方案,将云端架构转移到边缘,实现 IoT 设备上的神经网络训练,解决医疗数据隐私和医疗设备缺乏数据的问题,同时实现网络模型的分布式训练。
- MM物联网无线充电效率监测
本文提出了一个使用机器学习算法(XGBoost 和神经网络)的能量预估框架,以预测无线充电设备实际接收到的能量水平。收集了真实的无线能量数据集进行训练和测试,结果表明神经网络模型比 XGBoost 模型更准确。
- 基于深度学习的物联网设备识别方法
该研究应用深度学习来自动识别组织内允许接入的 IoT 设备,以增强网络安全。相较于现有的方法,该方法不需要对网络通讯进行复杂的特征工程,而是通过生成设备通讯负载的小图片来表征 IoT 设备的通信行为。该方法可适用于任何协议的 IoT 设备, - 数据流的联邦学习
本文研究面向数据流的联邦学习方法,提出一种基于权重经验风险最小化的联邦学习算法,并在广泛的机器学习任务中对其性能进行了评估。
- 基于非对抗学习的智能物联网设备行为生物特征识别
本文通过提出一种基于无对比度自监督学习的行为生物识别系统来提高标签效率,旨在解决行为生物识别系统所涉及的隐私和易用性问题,并通过实验证明了非对比学习表现优异,尤其在标记数据较少的情况下这种方法比监督学习和数据增强方法表现更佳。
- 使用自组 Internet of Things 技术检测智能建筑中的异常
本文探讨了检测异常的各种机制,介绍了建立机器学习模型时需要考虑的关键因素,并探讨了使用多个自建物联网设备收集数据时如何有效地发现点、上下文和组合异常。此外,还讨论了处理数据采样率不同的传感器设备的挑战和潜在解决方案,以及基于环境条件提取子数 - 智慧农业飞行基站任务卸载的风险敏感强化学习
本论文介绍了一种基于多角色风险敏感强化学习的空中基站智能农业任务调度方法,解决了传感器设备能耗和处理任务时间难题,并通过仿真实验证明其效果优于传统方法,可以提供一个保证的物联网任务处理服务并延长无人机在智能农业领域的使用时间。
- KDDp-Meta: 面向设备端的深度模型自适应
该研究提出了一种新的元学习方法 p-Meta,以实现对 IoT 设备上模型的内存和数据的有效适应,提高准确性,优于现有少样本适应方法。
- KDD针对复杂演变数据流的在线深度异常检测的自适应模型汇聚
该研究提出了一种名为 ARCUS 的在线深度异常检测框架,它使用自适应模型池方法和两个新技术:概念驱动推理和漂移感知模型池更新来处理来自物联网设备和云基础架构的复杂和不断演化的数据流,并在实验中证明其在高维和概念漂移数据集上提高了最先进的自 - 高失真率压缩辅助联邦学习的资源分配
提出基于压缩辅助的联邦学习问题,通过将其分解为子问题并基于协作博弈来有效分配无线资源,从而优化了 IoT 设备和服务器之间的通信,通过积极控制参与学习的设备数量,既可避免训练发散又能保持通信效率。