7、主动物联网多环境模型中的知识共享与多元时间序列异常检测

主动物联网多环境模型中的知识共享与多元时间序列异常检测

在当今科技发展的浪潮中，多领域的数据处理和分析需求日益增长。一方面，主动物联网多环境模型中的知识共享为提升模型性能和效率提供了新的途径；另一方面，多元时间序列异常检测对于保障系统稳定运行和及时发现潜在问题至关重要。

主动物联网多环境模型中的知识共享

在构建模型时，会根据用户需求及其随时间的发展，为复杂模型添加若干层。对于初学者（即学生模型），之前的研究发现，性能最佳的是具有两个隐藏层，每层 54 个节点，并使用 ADAM 优化器的简单模型，这类模型能够处理任何类型的单一环境。

为找到模型的最佳配置，在高度异构的联邦中进行了不同测试。具体操作步骤如下：
1. 对不同的神经网络定义进行详尽比较，包括改变深度、复杂度、层数、节点数，以及使用批量归一化或随机失活等技术。
2. 从众多配置中选出四个最相关的进行详细研究。
3. 设计了一个针对教师模型的自定义过滤器，限制其在低性能阶段的教学能力。
4. 蒸馏完成后，用与教师模型无关且在用户特定环境中生成的新数据对学生模型进行测试，以检验在新用户条件下重用知识的性能。最终选取了 50 位教师模型，以 1:1 的比例将其一个环境的知识传授给 50 个学生模型。

在结果评估方面，对教师模型向其他模型转移知识的能力进行了评估：
1. 质量过滤器剔除了处于发展早期（即环境准确率低于 85%）的模型，这些模型不符合教学资格。
2. 被选为教师的模型平均准确率达到 94.04%，能够有效地共享知识。从图中可以看出，教学时模型进展迅速，大约 5 个周期就能取得较好的学习效果。
3. 新学生模型由各自的教师从头开始