Dynamic-Deep: Tune ECG Task Performance and Optimize Compression in IoT Architectures
Reichman University（赖希曼大学）
监控医疗数据，例如，心电图（ECG）信号是物联网（IoT）设备的常见应用。压缩方法通常应用于在将其发送到云之前生成的大量传感器数据，以降低存储和交付成本。有损压缩提供高压缩增益（CG），但可能由于信息丢失而降低ECG应用（下游任务）的性能。以前的心电图监测工作集中在优化信号重建或任务的性能。相反，我们提倡一种自适应有损压缩解决方案，该解决方案能够在下游任务上配置所需的性能水平，同时保持优化的CG，从而降低云成本。我们提出了Dynamic-Deep，这是一种面向物联网云架构的任务感知压缩。我们的压缩机经过培训，以优化CG，同时保持从广泛范围内选择的下游任务的性能要求。在部署中，IoT边缘设备调整压缩并为每个数据段发送优化的表示，从而考虑下游任务的期望性能，而不依赖于来自云的反馈。我们使用两种流行的ECG应用程序对常见ECG数据集进行了广泛的评估，其中包括心率（HR）心律失常分类。我们证明了Dynamic-Deep可以配置为在广泛的要求中提高HR分类F1分数。其中一个经过调整，将F1分数提高了3分，与之前最先进的（基于自动编码器的）压缩器相比，CG提高了83%。通过分析Google Cloud Platform上的Dynamic-Deep，我们发现与无压缩解决方案相比，云成本降低了97%。
2022-04-02 cs.LG eess.SP
RSSI Estimation for Constrained Indoor Wireless Networks using ANN
School of Computing, Mathematics and Engineering, Charles Sturt University（查尔斯斯特大学计算、数学与工程学院）
针对低功耗IoT无线信道估计难题，提出基于特征和基于序列的两种ANN模型，显著降低了RSSI估计误差，MSE分别改善88.29%和97.46%，优于传统及深度学习方法。
2024-04-10 cs.LG cs.NI eess.SP
Medium Access using Distributed Reinforcement Learning for IoTs with Low-Complexity Wireless Transceivers
Michigan State University（密歇根州立大学）
本文提出了一种基于分布式强化学习（RL）的框架，该框架可用于在具有低复杂度无线收发器的物联网网络中合成MAC层无线协议。所提出的框架不依赖于复杂的硬件功能，例如载波侦听及其相关的算法复杂性，这些功能在低成本和低能耗物联网设备的无线收发器中通常不受支持。在这个框架中，访问协议首先制定为马尔可夫决策过程（MDP），然后使用RL解决。一个分布式和多Agent RL框架被用作协议合成的基础。分布式行为使得节点独立地学习最优传输策略，而不必依赖于完整的网络级信息和其他节点行为的直接知识。节点学习最小化分组冲突，使得可以针对高于用于IoT设备的已知基准协议（诸如ALOHA）的负载条件获得和维持最佳吞吐量，而无需复杂的收发器。此外，观察到的节点能够学习最佳的行为在异构负载和网络拓扑条件的存在下。最后，所提出的学习方法允许无线带宽以不依赖于这种异质性的方式在网络节点之间公平地分布。通过仿真实验，本文展示了学习范式的性能和它的能力，使节点适应他们的最佳传输策略，在飞行中响应各种网络动态。
2021-04-29 cs.DC cs.LG cs.NI
Learning to Detect Anomalous Wireless Links in IoT Networks
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）；Bitlis Eren University（比特利斯·埃伦大学）；University of Ljubljana（卢布尔雅那大学）
经过数十年的研究，物联网（IoT）终于渗透到现实生活中，并有助于提高基础设施和流程的效率以及我们的健康。随着大量物联网设备的部署，它们自然会产生巨大的运营成本，以确保预期的运营。为了有效地处理大规模物联网网络中的此类预期操作，自动检测故障，即异常检测，成为一项关键但具有挑战性的任务。在本文中，受现实世界实验性物联网部署的启发，我们介绍了在链路层识别的四种类型的无线网络异常。我们研究的性能阈值和机器学习（ML）为基础的分类器自动检测这些异常。我们检查了三种有监督和三种无监督ML技术在非编码和编码（自动编码器）特征表示上的相对性能。我们的研究结果表明，i）选定的监督方法能够检测F1分数高于0.98的异常，而无监督方法也能够检测F1分数平均为0.90的所述异常，以及ii）OC-SVM优于所有其他无监督ML方法，对于SuddenD，F1分数为0.99，对于SuddenR，F1分数为0.95，对于InstaD，F1分数为0.93，对于SlowD，F1分数为0.95。
2020-11-23 cs.LG cs.NI eess.SP
Machine Learning for Wireless Communications in the Internet of Things: A Comprehensive Survey
ANDRO Computational Solutions, LLC（ANDRO计算解决方案有限责任公司）；Northeastern University（东北大学）
物联网（IoT）预计需要比以往任何时候都更有效、更高效的无线通信。因此，频谱共享、动态频谱接入、信号智能提取和优化路由等技术将很快成为物联网无线通信范式的重要组成部分。考虑到物联网的大部分将由微型、移动和能量受限的设备组成，基于先验网络优化的传统技术可能不适合，因为（i）在实际场景中可能不容易获得准确的环境模型;（ii）传统优化技术的计算要求可能证明物联网设备无法承受。为了解决上述挑战，许多研究致力于探索使用机器学习来解决IoT无线通信领域中的问题。这项工作提供了一个全面的调查，最先进的机器学习技术的应用，以解决物联网无线通信中的关键问题，重点是它的ad hoc网络方面。首先，我们提出了广泛的背景概念的机器学习技术。然后，通过采用自下而上的方法，我们在协议栈的物理层、数据链路层和网络层研究了物联网机器学习的现有工作。此后，我们讨论了社会对硬件实现，以确保这些技术的可行性所采取的方向。此外，在结束之前，我们还简要讨论了机器学习在无线通信之外的物联网中的应用。最后，每一次讨论都详细分析了相关的未决问题和挑战。
2019-07-18 cs.LG cs.NI
Adversarial Attacks on Machine Learning in Embedded and IoT Platforms
机器学习（ML）算法越来越多地被集成到我们周围的嵌入式和物联网系统中，它们很容易受到对抗攻击的攻击。在资源有限的嵌入式平台上部署这些ML算法还需要使用模型压缩技术。这种模型压缩技术对ML对抗鲁棒性的影响是一个重要的新兴研究领域。本文概述了与嵌入式系统相关的对抗攻击和ML模型压缩技术。然后，我们描述的努力，试图了解对抗攻击和ML模型压缩之间的关系，然后讨论在这一领域的开放性问题。
2023-03-03 cs.AI cs.CR cs.LG
Resource Allocation for Compression-aided Federated Learning with High Distortion Rate
Sejong University（世宗大学）；Pusan National University（釜山国立大学）
最近，已经进行了大量的工作来解决联邦学习（FL）中的通信负担（例如，模型量化、数据稀疏化和模型压缩）。然而，现有的方法，提高FL的通信效率，导致通信效率和全局收敛速度之间的相当大的权衡。我们为压缩辅助FL制定了一个优化问题，该问题捕获了失真率、参与物联网设备数量和收敛率之间的关系。然后，目标函数是最小化FL收敛的总传输时间。由于问题是非凸的，我们建议将其分解成子问题。基于FL模型的属性，我们首先确定参与FL过程的IoT设备的数量。然后，通过基于联盟游戏有效地分配无线资源来优化IoT设备和服务器之间的通信。我们的理论分析表明，通过主动控制参与物联网设备的数量，我们可以避免压缩辅助FL的训练发散，同时保持通信效率。
2022-06-02 cs.AI cs.IT cs.LG
Packet-Loss-Tolerant Split Inference for Delay-Sensitive Deep Learning in Lossy Wireless Networks
Kyoto University（京都大学）；Tokyo Institute of Technology（东京工业大学）
分布式推理框架是一种新兴的实时应用技术，由资源受限的物联网（IoT）设备上的尖端深度机器学习（ML）授权。在分布式推理中，计算任务通过有损IoT网络从IoT设备卸载到其他设备或边缘服务器。然而，窄带和有损物联网网络会导致不可忽略的数据包丢失和重传，从而导致不可忽略的通信延迟。这项研究解决了在有损物联网网络中由数据包丢失引起的增量重传延迟问题。我们提出了一个分裂的推理没有重传（SI-NR）的方法，实现高精度没有任何重传，即使发生丢包。在SI-NR中，关键思想是通过dropout方法模拟分组丢失来训练ML模型，该方法随机丢弃DNN层中隐藏单元的输出。这使得SI-NR系统能够获得针对分组丢失的鲁棒性。我们的ML实验评估表明，SI-NR在60%的丢包率下获得准确的预测，而无需重传数据包。
2021-04-28 cs.DC cs.LG eess.SP
RFID-Assisted Indoor Localization Using Hybrid Wireless Data Fusion
University of Maine（缅因大学）
本文提出一种基于分区的混合室内定位方法，结合RFID跟踪设备与多种IoT无线技术，通过仅在分区边界布置标签以降低成本，并利用RSSI进行蓝牙、WiFi和ZigBee的线性位置估计，实验验证了该方法的有效性。
2023-07-28 cs.LG cs.NI eess.SP
Resilient Machine-learning Institute (ReMI)（弹性机器学习研究所）
In wireless Internet of things (IoT), the sensors usually have limited bandwidth and power resources. Therefore, in a distributed setup, each sensor should compress and quantize the sensed observations before transmitting them to a fusion center (FC) where a global decision is inferred. Most of the existing compression techniques and entropy quantizers consider only the reconstruction fidelity as a metric, which means they decouple the compression from the sensing goal. In this work, we argue that data compression mechanisms and entropy quantizers should be co-designed with the sensing goal, s…
2022-03-17 cs.AI cs.LG eess.SP
Memory- and Communication-Aware Model Compression for Distributed Deep Learning Inference on IoT
Carnegie Mellon University（卡内基梅隆大学）
模型压缩已成为在物联网（IoT）上部署深度学习模型的重要研究领域。然而，对于内存极度受限的场景，即使是压缩的模型也无法容纳在单个设备的内存中，因此必须分布在多个设备上。这导致了一个分布式推理范例，其中内存和通信成本是一个主要的瓶颈。然而，现有的模型压缩技术不是通信感知的。因此，我们提出了神经网络（NoNN），这是一种新的分布式物联网学习范式，它将大型预训练的“教师”深度网络压缩成几个不相交和高度压缩的“学生”模块，而不会损失准确性。此外，我们提出了一个网络科学为基础的知识划分算法的教师模型，然后训练个别学生产生的不相交的分区。针对用户定义的内存/性能预算，在五个图像分类数据集上进行了广泛的实验，结果表明，NoNN的准确率高于几个基线，与教师模型的准确率相似，同时学生之间的沟通最少。最后，作为一个案例研究，我们在边缘设备上部署了CIFAR-10数据集的拟议模型，并证明了与大型教师模型相比，内存占用（高达24倍），性能（高达12倍）和每个节点的能量（高达14倍）的显着改进。我们进一步表明，对于多个边缘设备上的分布式推理，我们提出的NoNN模型导致总延迟w.r.t.减少高达33倍。最先进的模型压缩基线
2019-07-26 cs.CV cs.DC cs.LG
IGADA-IoT: IoT Sensor Energy Optimization in Wireless Sensor Networks Driven by Automatic Data Augmentation
Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院）
提出一种信息间隙引导的自动数据增强框架IGADA-IoT，通过分层多生成器协作与调度，联合利用不同生成器能力减小信息间隙，并引入信息间隙-模型性能联合评估与闭环方法，提升增强决策准确性，实验表明平均准确率提升7.27%。
2026-10-23 cs.LG
Compressing RNNs for IoT devices by 15-38x using Kronecker Products
Arm ML Research Lab（安谋机器学习研究实验室）
由于递归神经网络（RNN）的大小，它可能很难部署在资源受限的设备上。因此，需要一种可以显着压缩RNN而不会对任务准确性产生负面影响的压缩技术。本文介绍了一种利用Kronecker积（KP）对资源受限环境下的RNN进行压缩的方法。KPs可以将RNN层压缩15- 38倍，精度损失最小。通过将生成的模型量化为8位，我们进一步将压缩因子推到50倍。我们表明，KP可以在跨越3个不同应用程序的5个基准测试中击败其他最先进的压缩技术所实现的任务准确性，同时提高推理运行时间。我们发现，KP压缩机制确实引入了准确性损失，这可以通过建议的混合KP（HKP）方法来减轻。我们的HKP算法提供了对压缩比的细粒度控制，使我们能够通过添加少量的模型参数来恢复压缩过程中丢失的精度。
2020-01-31 cs.LG cs.NE stat.ML
IoT Network Security from the Perspective of Adversarial Deep Learning
Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech（弗吉尼亚理工大学）
机器学习在物联网（IoT）网络中有着丰富的应用，例如信息检索、流量管理、频谱感测和信号认证。虽然人们对理解机器学习的安全问题的兴趣激增，但它们对无线应用的影响尚未被理解，例如由于无线通信的开放和广播性质而容易受到各种攻击的物联网系统中的无线应用。为了支持具有不同优先级的异构设备的物联网系统，我们提出了基于对抗性机器学习的新技术，并将其应用于三种类型的空中（OTA）无线攻击，即干扰，频谱中毒和优先级违规攻击。通过观察频谱，攻击者从探索性攻击开始，通过构建预测传输结果的深度神经网络分类器来推断物联网发射机的信道接入算法。基于这些预测结果，无线攻击继续通过空中干扰数据传输或操纵感测结果（通过在感测阶段期间进行发送），以欺骗发送器在测试阶段做出错误的发送决策（对应于规避攻击）。当IoT发射器收集感测结果作为训练数据以重新训练其信道接入算法时，对手发起因果攻击以通过空中操纵到发射器的输入数据。我们发现，这些具有不同能量消耗和隐蔽性的攻击会导致物联网系统无线通信的吞吐量和成功率显著下降。然后，我们引入了一个防御机制，系统地增加了对手的不确定性在推理阶段，提高了性能。研究结果为如何使用深度学习攻击和防御物联网网络提供了新的见解。
2019-05-31 cs.CR cs.LG cs.NI
Context-Aware Wireless Connectivity and Processing Unit Optimization for IoT Networks
University of Glasgow（格拉斯哥大学）；Ajman University（阿治曼大学）；Queen Mary University of London（伦敦玛丽女王大学）
提出了一种新的方法，用于物联网（IoT）网络的上下文感知连接和处理优化。与现有技术的方法不同，所提出的方法同时选择最佳连接性和处理单元（例如，设备、雾和云）以及通过联合优化能耗、响应时间、安全性和货币成本来卸载的数据百分比。该方案采用了强化学习算法，并设法实现显着的收益相比，确定性的解决方案。特别是，物联网设备在响应时间和安全性方面的要求与设备的剩余电池电量一起作为输入，并且开发的算法返回优化的策略。所获得的结果表明，只有我们的方法是能够满足整体多目标优化标准，虽然，基准方法可能会取得更好的结果在一个特定的度量的成本未能达到其他目标。因此，所提出的方法是一种以设备为中心的上下文感知解决方案，该解决方案考虑了货币和电池的限制。
2020-04-30 cs.LG cs.SY eess.SP
Energy Loss Prediction in IoT Energy Services
The University of Sydney（悉尼大学）
提出ELP框架及基于attention的Easeformer算法，通过预测IoT设备电池电量来估计众包无线能量共享中的能量损耗，实验证明其显著优于现有方法。
2023-05-16 cs.DC cs.LG cs.NI
Explainable AI for Securing Healthcare in IoT-Integrated 6G Wireless Networks
University of Missouri-St. Louis（密苏里大学圣路易斯分校）
针对6G与医疗物联网融合下的医疗系统安全风险，本文研究SHAP、LIME、DiCE等可解释AI技术在挖掘漏洞、强化防御、提升6G医疗场景信任透明度方面的作用，经实验验证取得了良好效果。
2025-05-20 cs.AI cs.LG
Class-Incremental Learning for Wireless Device Identification in IoT
Embry-Riddle Aeronautical University（安柏瑞德航空大学）；Shenzhen University（深圳大学）
深度学习（DL）已广泛应用于物联网（IoT）中。DL在物联网中的一个典型应用是从无线信号中识别设备，即非加密设备识别（NDI）。然而，NDI系统中的学习组件必须进化以适应操作变化，这样的范例被称为增量学习（IL）。已经提出了各种IL算法，其中许多算法需要专用空间来存储越来越多的历史数据，因此，它们不适合物联网或移动应用。然而，传统的IL方案不能提供令人满意的性能时，历史数据不可用。本文从一个新的角度研究了DNN模型中的入侵检测问题，首先，提出了一种新的度量DNN模型拓扑成熟度的度量标准，该度量标准从类特征指纹的冲突程度来度量DNN模型的拓扑成熟度。我们发现，一个重要的原因，性能下降的IL启用NDI是由于设备的指纹冲突。其次，我们还表明，传统的IL计划可能会导致低拓扑成熟度的DNN模型在NDI系统。第三，我们提出了一个新的通道分离使能增量学习（CSIL）方案，而不使用历史数据，在我们的策略中，可以自动分离设备的指纹在不同的学习阶段，并避免潜在的冲突。最后，我们使用来自ADS-B（自动相关监视广播）的真实数据评估了所提出的框架的有效性，ADS-B是物联网在航空领域的应用。拟议的框架有可能应用于准确识别各种物联网应用和服务中的物联网设备。数据和代码可在IEEE数据端口（DOI：10.21227/1bxc-ke 87）和\url{https://github.com/pcwhy/CSIL}…
2021-05-08 cs.AI cs.CR cs.LG
Reinforcement Learning for Protocol Synthesis in Resource-Constrained Wireless Sensor and IoT Networks
Michigan State University（密歇根州立大学）
本文探讨了使用强化学习（RL）进行在线协议合成的概念。该研究是在具有超低复杂度无线收发器的传感器和物联网网络的背景下进行的。本文介绍了在不同的网络和业务条件下，使用RL和多臂强盗（MAB），RL的一种特殊类型，媒体访问控制（MAC）。然后，它介绍了一种新的学习为基础的协议合成框架，解决特定的困难和限制，在随机接入和时隙网络的介质访问。该机制不依赖于载波侦听、网络时间同步、冲突检测和其他低级复杂操作，因此非常适合用于资源受限的传感器和物联网网络中的超简单收发器硬件。此外，由节点独立的协议学习的能力使得系统鲁棒性和自适应网络和业务条件的变化。它表明，节点可以被训练来学习，以避免冲突，并实现网络吞吐量，相当于ALOHA基于接入协议的传感器和物联网网络与最简单的收发器硬件。它也表明，使用RL，它是可行的，可以在高流量负载，这是不可行的ALOHA为基础的系统，以综合接入协议，可以维持网络吞吐量。该系统的能力，以提供吞吐量的公平性下的网络和流量的异质性也被实验证明。
2023-01-14 cs.AI cs.LG cs.NI
Adaptive Joint Compression and Synchronisation in Federated Split Learning for IoT Rainfall Prediction
针对联邦拆分学习中的通信瓶颈，提出联合优化激活压缩与同步间隔的框架，通过延迟驱动调度器在仿真和树莓派部署中验证，在保持预测质量的同时显著降低通信负载和运行时抖动。
2026-06-25 cs.LG
Leveraging Machine Learning for Accurate IoT Device Identification in Dynamic Wireless Contexts
Santa Clara University（圣克拉拉大学）
针对现有物联网设备识别方法忽视无线信道动态影响的问题，提出以设备延迟为主要特征并引入累积分数捕获信道动态，结合机器学习实现超过97%的F1分数，显著优于忽视信道动态的75%的基线。
2024-05-15 cs.AI cs.LG cs.NI
Constrained Deep Reinforcement Learning for Energy Sustainable Multi-UAV based Random Access IoT Networks with NOMA
Illinois Institute of Technology（伊利诺伊理工学院）；Argonne National Laboratory（阿贡国家实验室）
在本文中，我们应用非正交多址（NOMA）技术来改善无线物联网网络的大规模信道接入，其中太阳能无人机（UAV）将数据从物联网设备中继到远程服务器。具体地，IoT设备使用自适应$p$ -持久时隙Aloha协议来竞争接入共享无线信道;并且太阳能无人机采用连续干扰消除（SIC）来解码来自IoT设备的多个接收数据以提高接入效率。为了实现能量可持续的容量优化网络，我们研究了动态多无人机高度控制和物联网设备的多小区无线信道接入管理的联合问题，作为具有多个能量约束的随机控制问题。为了学习最优控制策略，我们首先将此问题表示为约束马尔可夫决策过程（CMDP），并提出一种基于拉格朗日原对偶策略优化的在线无模型约束深度强化学习（CDRL）算法来求解CMDP。大量的仿真结果表明，我们提出的算法学习无人机之间的合作策略，其中无人机的高度和物联网设备的信道接入概率是动态和联合控制，以获得最大的长期网络容量，同时保持能量的可持续性的无人机。所提出的算法优于基于深度RL的解决方案与奖励塑造占能源成本，并实现了时间平均系统容量，这是$82.4\%$高于一个可行的基于DRL的解决方案，只有$6.47\%$低于能量约束的系统。
2020-02-05 cs.LG cs.NI eess.SP
Reliable Federated TinyML Deployment for IoT Security
The Pennsylvania State University（宾夕法尼亚州立大学）；Elizabethtown College（伊丽莎白敦学院）
本研究将联邦学习与TinyML模型压缩结合用于物联网入侵检测，通过服务器协调的余弦学习率调度将攻击召回率从46.7%提升至93.85%，实现轻量级隐私保护部署。
2026-09-24 cs.CR cs.LG
Distributed Swarm Learning for Edge Internet of Things
本文提出分布式群体学习（DSL）框架，融合人工智能与生物群体智能，以应对边缘物联网在通信、计算、异构性、安全隐私及非凸优化等方面的挑战，为大规模边缘学习提供高效稳健的解决方案。
2024-03-29 cs.AI cs.LG cs.NI
Deep learning approaches to indoor wireless channel estimation for low-power communication
School of Computing, Mathematics and Engineering, Charles Sturt University（查尔斯斯特大学计算、数学与工程学院）
针对物联网场景下传统信道估计方法适配性差的问题，提出两种基于全连接神经网络、利用RSSI的低功耗物联网信道估计模型，MSE降幅最高达99.02%，效率优于现有深度学习方法。
2024-05-21 cs.LG
