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 federated learning 80%
- used by alphaXiv 70%
- used by Gotit.pub 70%
- used by 6G 70%
- used by cloud computing 70%
- used by edge computing 70%
- uses edge computing 70%
- instance of consumer electronics 70%
- used by MQTT 70%
- instance of alphaXiv 60%
- instance of DagsHub 60%
- affiliated with federated learning 60%
17 天有情绪数据
-
新的BIPPO方法提高了联邦学习的能效
研究人员推出了一种新颖的多智能体强化学习方法BIPPO，旨在提高联邦学习服务的能效，特别是在物联网（IoT）系统中。BIPPO考虑了资源可用性和设备流失等基础设施限制，这在预算受限的环境中至关重要，从而解决了现有方法的局限性。所提出的解决方案在能耗最小的情况下提高了准确性，优于传统的联邦学习和其他强化学习技术，并且在客户端数量不断增加的情况下仍表现出稳定性和可扩展性。
-
人工智能时代需要新的隐私保护措施以应对日益严峻的数字威胁
技术创新的加速，尤其是在人工智能领域，给数字隐私带来了新的脆弱性。需要海量数据的人工智能系统能够催生复杂的威胁，如语音克隆、深度伪造和以机器速度运行的自动化攻击。随着远程工作和自主人工智能代理的兴起，传统的网络边界正在消失，身份成为新的关键安全边界。保护隐私现在需要一种由高管和董事会领导的、积极主动的多层次方法，强调严格的网络卫生和负责任的数据管理，以维持数字信任。
-
新的 L4V 方法优化 AAV 轨迹以进行物联网数据收集
研究人员开发了一种名为 Learn for Variation (L4V) 的新方法，用于优化自主航空飞行器 (AAV) 在第六代物联网网络中进行数据收集的轨迹。L4V 利用一个可微分的世界模型，该模型考虑了 AAV 运动学、信道状态和用户积压，用一个代理目标取代了复杂的完成时间目标。这种方法能够有效地将敏感性传播到神经网络策略，与现有方法相比，显著减少了任务时间。
-
新的自蒸馏框架增强了轻量级物联网攻击检测能力
研究人员开发了一种新的无教师潜在自蒸馏框架，称为双自动编码器（TAE），用于轻量级物联网（IoT）攻击检测。与传统的知识蒸馏方法不同，TAE在没有外部教师模型的情况下学习内在的类别潜在表示，从而促进了对不同攻击类型的更好特征分离。该方法专为资源受限的物联网设备设计，具有紧凑的模型尺寸和超快的推理速度。在13个网络安全数据集上的实验证明了TAE的有效性，在检测物联网僵尸网络、网络入侵和其他网络威胁方面取得了高精度。
-
物联网设备所有者抵制未经请求的人工智能集成
用户对购买后在其应用程序中集成了人工智能功能的物联网（IoT）设备表示不满。他们更喜欢使用Matter或Zigbee等标准协议的设备，并威胁如果未经同意将人工智能添加到他们的设备中，就卸载应用程序或使用替代集线器。
-
新的 S$^2$GS 框架可在边缘设备上实现高效的自由视角视频 · 跟踪 2 个来源
研究人员开发了 S$^2$GS，一个专为资源受限的边缘物联网设备设计的高效自由视角视频（FVV）重建新框架。该方法利用结构化稀疏高斯流选择性地更新高斯残差，与现有的 QUEEN 等技术相比，显著减少了优化时间和存储占用。实验表明，S$^2$GS 在 RTX 4090 GPU 上实现了 59% 的优化时间缩减和 85% 的存储成本降低，同时在 NVIDIA Jetson AGX Orin 上实现了高渲染吞吐量和低能耗。
-
Python 的 MicroPython 和 CircuitPython 正在静默接管物联网和机器人领域
一篇新的研究论文探讨了 MicroPython 和 CircuitPython 在物联网 (IoT) 和机器人领域的日益增长的影响力。尽管 Python 在软件和数据科学领域已确立主导地位，但由于性能和内存限制，嵌入式系统在很大程度上依赖于 C/C++。本文通过分析生态系统增长、实际应用和性能基准，研究了 MicroPython 和 CircuitPython 在多大程度上弥合了这一差距。尽管基准测试显示这些 Python 实现比 C…
-
新框架检测物联网环境MLaaS中的性能漂移
研究人员开发了一个新框架，用于检测物联网（IoT）环境中的机器学习即服务（MLaaS）的性能漂移。该框架名为MLaaS性能漂移检测（MPDD），解决了在客户端对服务进行黑盒访问时监控MLaaS稳定性的挑战。该系统利用一个提取模型来理解服务行为并识别影响因素，然后联合分析输入数据和服务行为的变化。一个自适应时间机制根据检测到的变化进一步优化监控频率，旨在实现更及时的漂移检测和改进的服务管理。
-
新方法应对物联网设备识别漂移
研究人员开发了一种新方法，用于在物联网设备行为演变（即概念漂移）的情况下保持物联网设备识别系统的准确性。他们的方法包括对物联网流量进行为期两年的研究，表征行为变化，并展示了使用新标记数据进行再训练如何恢复分类性能。所提出的系统使用基于一致性的漂移检测器来识别行为演变，并建议通过均匀采样调整流量标记率，以实现有效的性能维护和高效的标记工作。
-
电信机房难以满足无线技术需求
现代商业建筑面临着在有限的电信机房空间内满足日益增长的无线技术需求的严峻挑战。这些空间通常很小，并且几十年来大小都没有改变，但现在必须支持 4G/5G 网络、物联网应用、AI 驱动的安全和公共安全系统等复杂组合。这种密度会导致功耗、散热、线缆管理和未来升级等方面的问题，因此需要创新的基础设施设计和部署策略来克服物理空间限制。
-
新的AI框架增强智慧港口自主航行能力
研究人员开发了一种新的智慧港口自主航行框架，利用物联网（IoT）和课程引导的强化学习。该方法增强了在部分可观测和交通密集条件下运行的船载物联网设备的时序推理和决策能力。在真实港口环境中的模拟显示，与现有方法相比，导航可靠性、避碰能力和训练稳定性均得到提高，证明了其在智慧港口运营中可扩展部署的潜力。
-
新基准IoTVulBench改进了物联网固件漏洞检测
研究人员推出了IoTVulBench，这是一个旨在改进物联网固件漏洞检测的新基准。该基准具有人工验证和污染筛选的标注，解决了现有数据集的局限性。使用IoTVulBench进行的实验表明，与单纯的模型规模相比，匹配领域的训练数据和课程设计对于固件漏洞检测的泛化更为关键。研究结果为增强物联网安全应用提供了实用的配置。
-
AI模型通过量化和剪枝实现小型化以提高效率
量化和剪枝是用于减小大型AI模型（如ChatGPT和Midjourney）的规模和计算需求的技朧。这些方法降低了表示模型权重的数字的精度，将它们从32位浮点格式转换为较低精度的格式，如16位浮点、8位整数（INT8），甚至4位整数（INT4）。此过程显著减少了内存使用并加快了推理速度，使得在包括边缘设备在内的性能较低的硬件上部署这些模型成为可能，同时还降低了运营成本和能耗。
-
物联网入侵检测：超越准确性，关注解释成本和稳定性
一项新近发表在arXiv上的研究，在准确性之外，重点评估了用于物联网（IoT）入侵检测的机器学习模型的解释成本、稳定性和效用。研究人员构建了一个安全的CICIoT2023语料库，并测试了Logistic Regression、Decision Tree、Random Forest和XGBoost等模型。研究结果表明，XGBoost提供了强大的预测性能，而Random Forest的误报率最低。该研究还使用TreeSHAP量化了解释生成…
-
GPS狗围栏在悲剧后取代过时隐形围栏
Ken Ehrman在侄女的狗因逃脱隐形围栏而悲惨死亡后，创立了Halo Collar。他利用自己在物联网（IoT）和全球定位系统（GPS）技术方面的丰富经验，旨在为宠物围栏创造一个更有效、更现代的解决方案。他指出，隐形围栏已经过时且价格昂贵，而GPS技术已取得显著进步，足以实现精确追踪。Ehrman的研究表明，每年有数百万只宠物走失，其中相当一部分被汽车撞死，这凸显了对可靠的基于GPS的狗围栏的巨大市场需求。
-
新的DA-DJSCC方法增强了物联网设备的语义图像通信
研究人员开发了一种名为双自适应DJSCC（DA-DJSCC）的新方法，以改进物联网（IoT）设备的语义通信。该方法通过结合通道注意力和空间注意力模块来增强现有的深度联合源信道编码（DJSCC），这些模块可以动态适应变化的无线条件和特征重要性。DA-DJSCC旨在克服为不同信噪比（SNR）训练独立模型的挑战，使其更适用于资源受限的物联网环境。
-
新本体论定义人工智能和计算机系统中的去中心化
一篇新发表在arXiv上的论文提出了一个形式本体论来定义计算机科学中的去中心化，解决了在人工智能、区块链和物联网等不同领域中围绕该概念的模糊性。该研究确定了由于定义不一致以及与相关概念混淆而产生的“去中心化问题”。提出的框架使用基于图的本体论，并引入了两个指标——空洞容忍度（Void Tolerance）和不可渗透性（Imperviousness）——来评估去中心化，并通过在联邦学习和区块链架构中的实例证明了其效用。
-
FedA2L方法通过自适应层级速率加速去中心化联邦学习
研究人员开发了FedA2L，一种通过动态调整层级学习率来改进去中心化联邦学习（DFL）的新颖方法。该方法解决了在异构数据环境中，基础层和专业层具有冲突的优化需求，导致统一学习率效率低下的问题。FedA2L无需额外的通信即可无缝集成到现有的DFL协议中，从而显著加快收敛速度并减少通信轮次。其适应性使其成为资源受限环境（如边缘和物联网）中分布式学习的宝贵工具。
-
新型Transformer模型实现高效边缘动作识别
研究人员开发了CoDAT，一种用于边缘设备上高效动作识别的协作双注意力Transformer。该模型采用轻量级双分支注意力机制，结合用于局部特征聚合的空间卷积注意力（SCA）和用于全局上下文的跨步单头注意力（SSHA），显著降低了计算成本。CoDAT还包含一个无参数的TShift模块用于时间建模，实现了跨帧的高效通信。实验表明，CoDAT在各种基准测试中实现了优于现有方法的能耗-准确性平衡，为边缘物联网系统中的实时应用提供了更快的吞吐…
-
新型SGP-RI模型支持物联网设备的去中心化室内定位
研究人员开发了一种基于稀疏高斯过程和降维输入（SGP-RI）模型的去中心化室内定位框架。该方法允许物联网（IoT）设备在较小的服务区域内执行实时定位和再训练，并能快速适应不断变化的环境。实验表明，SGP-RI在使用的训练数据不到一半的情况下，可以实现与标准高斯过程相当的定位性能。