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

在当今数字化时代，数据的处理和分析变得至关重要。无论是物联网环境下的智能设备，还是各种实际应用系统，都会产生大量的数据。本文将探讨主动物联网多环境模型中的知识共享，以及基于图注意力网络的多元时间序列异常检测方法。

主动物联网多环境模型中的知识共享

在主动物联网多环境模型里，为了找到模型的最佳配置，进行了一系列测试。对于初学者（学生模型），之前的研究发现，具有两个各含 54 个节点的隐藏层以及 ADAM 优化器的简单模型性能最佳，能够处理任何类型的单一环境。

为确定最佳配置，在高度异构的联合环境中进行了不同测试，包括对不同神经网络定义的详尽比较，改变网络深度、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。挑选出四个最相关的配置进行详细研究后，选出最佳配置。

为提高模型质量，为教师模型设计了自定义过滤器，限制其在低性能阶段的教学能力。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复用知识的性能。具体来说，选择了 50 个教师模型，以 1:1 的比例将其一个环境的知识传授给 50 个学生模型。

从结果来看，教师模型在知识转移能力方面表现良好。质量过滤器剔除了处于发展早期（环境准确率低于 85%）的模型，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。教学过程中模型进展迅速，大约 5 个周期就能获得较好的学习效果。

新的学生模型在教师的从头教导下，平均准确率达到 94.70%，不仅能保持教师模型的准确率，还能有所提高。不过，由于环境和用户的异构性，部分模型能将教师模型的准确率提高 6%以上，而