Internet of Things
PulseAugur coverage of Internet of Things — every cluster mentioning Internet of Things across labs, papers, and developer communities, ranked by signal.
- used by Hierarchical federated learning using access permissions 90%
- used by federated learning 80%
- used by alphaXiv 70%
- instance of Gotit.pub 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- used by edge computing 70%
- used by cloud computing 70%
- used by 6G 70%
- instance of edge computing 70%
- uses edge computing 70%
- affiliated with Hierarchical federated learning using access permissions 70%
13 天有情绪数据
-
人工智能优化交通信号，减少延误和排放
研究人员开发了一个强化学习（RL）系统，用于优化城市交叉口的交通信号控制，特别是在支持物联网的环境中。该系统利用近端策略优化（PPO），根据当地交通状况动态调整绿灯时长，而无需预测未来的需求。在科威特的模拟显示，与固定时间控制相比，平均车辆延误显著减少（46%），二氧化碳排放量也减少了23%，这预示着智慧城市交通的潜力。
-
探索人工智能驱动的物联网设备监控
本文探讨了如何利用人工智能来监控物联网（IoT）设备的状态和性能。文章提出了如何有效地向人工智能查询这些连接设备的健康状况的问题。文章认为，人工智能可以为物联网生态系统的运行状态提供宝贵的见解。
-
小型语言模型用于边缘数据分类的评估
一篇新的arXiv论文探讨了在边缘计算环境中，使用小型、开源语言模型对智能数据模型（SDMs）进行分类的应用。该研究解决了现有方法资源密集且不适用于边缘设备的局限性。研究人员针对特定领域的数据集，对包括通用模型、推理专用模型和代码专用模型在内的各种语言模型架构进行了基准测试。他们还将这些模型与TF-IDF等更简单的基线模型进行了比较，以评估它们在资源受限平台上的实际价值。
-
对抗性训练可防御物联网 AutoML 免受数据投毒攻击
本研究论文评估了对抗性训练（AT）作为一种防御机制，在物联网（IoT）网络在线 AutoML 管道中抵御投毒攻击的有效性。该研究专门检查了针对各种支持流式传输的 AutoML 学习器（包括 Hoeffding Tree、Leveraging Bagging、Adaptive Random Forest、Hoeffding Adaptive Tree 和 Streaming Random Patches）的标签翻转和噪声注入攻击。结果表…
-
AIOTI Days 2026佛罗伦萨活动促进人工智能、物联网和农业的讨论
AIOTI Days 2026佛罗伦萨活动汇聚了专家和创新者，共同探讨人工智能、物联网、数字创新和农业。绿色供应链管理的董事总经理nmarianos 参与了这些讨论。该活动由AIOTI组织，旨在促进社区和协作。
-
新框架通过联邦学习增强边缘计算网络安全
研究人员开发了一种新颖的信任感知联邦混合入侵检测框架（TA-FHIDF），以增强边缘计算环境中的网络安全。该框架结合了自动编码器、一维卷积神经网络（1D-CNN）和双向长短期记忆（BiLSTM）模型，用于自主特征提取。为了保护数据隐私和防止对抗性攻击，TA-FHIDF 利用联邦学习进行协作模型训练，并采用信任感知聚合机制，在全局模型集成前评估客户端的可靠性。在 UNSW-NB15 和 CICIDS2017 等基准数据集上的评估显示，检…
-
提出新型S4模型以增强物联网恶意软件分类
研究人员提出了一种使用结构化状态空间序列（S4）模型对恶意软件进行分类的新方法。该方法旨在增强物联网（IoT）设备的安全性，这些设备由于其快速扩张和通常不足的内置安全性而日益脆弱。S4模型应用于恶意软件样本序列，以识别其执行流程中的长期依赖关系和因果关系，为网络安全领域提供了新的应用。
-
新论文梳理了区块链支持的去中心化安全架构
一篇新近发表在arXiv上的知识体系化（SoK）论文分析了去中心化检测与响应架构的图景，重点关注区块链集成。该论文指出了现有综述的局限性，特别是它们未能纳入现代端点检测与响应（EDR）和扩展检测与响应（XDR）系统。它提出了一个分类法，根据检测系统类别、区块链功能角色和响应自动化成熟度对提案进行分类，并强调由于延迟和部署问题，在每个端点上进行区块链锚定的响应循环方面存在显著差距。
-
能源行业的AI挑战是数据互操作性，而非AI本身
能源行业面临的主要挑战并非缺乏AI，而是其分散的信息系统之间存在严重的数据互操作性问题。该行业公司被敦促专注于创建一个认知编排层，以连接不同的数据源，如ERP、SCADA、IoT和PDF文档，从而实现多智能体推理和决策。这种方法旨在构建一个智能层，而不仅仅是应用AI，特别能解决跨国交易中不同法规和数据标准的复杂性。
-
DeepFedNAS 为异构物联网联邦优化神经网络架构
研究人员开发了 DeepFedNAS，一个旨在优化异构物联网（IoT）联邦的神经网络架构的新型框架。这种利用帕累托引导的超网络训练和无预测器搜索的两阶段方法，与现有的联邦神经架构搜索（FedNAS）方法相比，显著降低了计算成本和时间。DeepFedNAS 在各种数据集上即使在非独立同分布（non-IID）条件下也展示了最先进的准确性和稳健的性能，使其成为可扩展、通信受限的物联网环境的实用解决方案。
-
新论文对生成式物理人工智能方法进行分类
一篇新的arXiv论文对生成式物理人工智能（GPAI）进行了全面综述。GPAI是将大型基础模型与物理机器人相结合的领域。该论文将GPAI系统分为五种方法：机器人基础模型（RFMs）、视觉-语言-动作（VLA）模型、大型行为模型（LBMs）、扩散策略模型（DPMs）和世界基础模型（WFMs）。文章详细介绍了这些方法如何结合以增强各行业的机器人应用，包括自动驾驶汽车和医疗保健，同时还强调了模拟到真实迁移和安全性等领域的研究方向。
-
Wi-Fi RSSI 数据可推断人类位置，带来隐私风险
研究人员已证明，即使模型是在信道状态信息 (CSI) 上训练的，也可以使用来自 Wi-Fi 的接收信号强度指示器 (RSSI) 数据来推断人类位置。此方法绕过了 CSI 数据收集通常需要的专用驱动程序或提升的权限，使其适用于更广泛的物联网 (IoT) 设备。通过将 RSSI 数据输入现有的基于 CSI 的模型，该研究在存在移动时实现了约 80% 的人类位置预测置信度，凸显了在 Wi-Fi 密集环境中广泛侵犯隐私的潜力。
-
物理安全集成商转向由人工智能驱动的托管服务
物理安全行业的系统集成商正从硬件销售转向托管服务，这得益于企业IT与物理安全的融合。麦肯锡公司的一份报告指出，传统的硬件模式面临重大的收入侵蚀风险，而由人工智能驱动的托管服务市场预计将大幅增长。通过采用云平台，集成商可以提供可预测的经常性收入，包括人工智能服务、远程监控和云存储，同时提升员工技能，并为客户提供更大的战略价值。
-
机器学习通过先进的人工智能技术革新鱼类养殖业
一篇新发表在arXiv上的章节详细介绍了机器学习（ML）技术在革新鱼类养殖业中的应用。文章探讨了包括随机森林、卷积神经网络、循环神经网络、图神经网络以及大型语言模型在内的各种ML模型如何改进水产养殖运营。该章节重点介绍了生物量估算、物种识别、行为分析和环境预测等关键应用，并强调了ML与物联网的集成，以实现实时监控和决策支持，从而促进更可持续和更具生产力的实践。
-
Sylvas框架优化联邦持续学习的设备调度
提出了一种名为Sylvas的新框架，通过优化设备调度来改进联邦持续学习（FCL）。该方法量化了来自分布式边缘设备数据的学习价值，同时考虑了分布价值和标签价值。通过整合这些指标，Sylvas旨在调度具有高学习价值的设备，同时遵守通信和计算资源限制，从而在智能交通和工业监控等应用中实现及时的模型适应。
-
MANE框架提升多设备边缘AI推理能力
研究人员开发了MANE，一个新颖的分布式推理框架，旨在提高深度神经网络边缘卸载的效率。该系统通过采用多路径尾部架构，在运行时动态调整精度-吞吐量权衡，解决了边缘服务器支持多个并发设备的挑战。MANE在为多达40个设备满足延迟服务水平目标（SLOs）方面表现出80%的成功率，优于现有方法，并保持比设备端替代方案更高的准确性。
-
LLM增强的MARL优化电动汽车充电系统
研究人员开发了一个新框架，该框架使用大型语言模型（LLMs）来增强多智能体强化学习（MARL），以优化电动汽车充电系统。该方法通过使LLMs能够从物联网数据中选择重要特征，并动态平衡利润、用户满意度和电网负荷等优先级，从而解决了高维状态空间和冲突目标带来的挑战。实验表明，这种统一的循环在市场效率方面显著优于现有方法，并减少了70%以上的训练时间。
-
Open Developers Summit 将于 2027 年在巴塞罗那举行，同期举办 SUSECON
Open Developers Summit 定于 2027 年在巴塞罗那举行，恰逢 SUSECON。本次峰会将围绕包括云、AI、安全、DevOps、边缘计算和物联网在内的各种技术主题进行演讲。目前正在征集论文，鼓励提交参会。
-
新的多出口TinyML方案提高了边缘AI效率
研究人员为边缘设备的TinyML系统开发了一种新颖的多出口计算方案，旨在提高能效和实时性能。该方法部署在GWT GAP9片上系统中，根据输入复杂度动态调整推理，与标准的固定深度模型相比，计算成本降低了41%，推理时间缩短了29%。该系统在准确性仅有微小损失的情况下实现了这些提升，在计算效率方面优于现有的自适应CNN。
-
Fedora IoT 发布，成为面向边缘设备的基于容器的 Linux 发行版
Fedora IoT 已发布，这是一个为边缘计算和物联网部署量身定制的基于容器的 Linux 发行版。Fedora 的这项新产品旨在为各种边缘应用提供坚实的基础。