Key points are not available for this paper at this time.
Der Boom des Internets der Dinge (IoT) hat fast jeden Bereich des täglichen Lebens revolutioniert: Gesundheitsversorgung, Umwelt, Transport, Fertigung, Lieferketten und so weiter. Mit der jüngsten Entwicklung von Sensor- und Kommunikationstechnologien können IoT-Artefakte, einschließlich smarter tragbarer Geräte, Kameras, Smartwatches und autonomer Systeme, ihre Umgebung genau messen und wahrnehmen. Kontinuierliches Sensibilisieren erzeugt große Mengen an Daten und stellt Herausforderungen für das maschinelle Lernen dar. Deep-Learning-Modelle (z. B. konvolutionale neuronale Netzwerke und rekurrente neuronale Netzwerke) wurden umfassend zur Lösung von IoT-Aufgaben eingesetzt, indem sie Muster aus multimodalen Sensordaten lernen. Graph-neurale Netzwerke (GNNs), eine neu entstehende und schnell wachsende Familie von Modellen neuronaler Netzwerke, können komplexe Interaktionen innerhalb der Sensortopologie erfassen und haben in zahlreichen IoT-Lernaufgaben nachweislich erstklassige Ergebnisse erzielt. In dieser Umfrage präsentieren wir eine umfassende Übersicht über die jüngsten Fortschritte bei der Anwendung von GNNs im IoT-Bereich, einschließlich einer tiefgehenden Analyse des GNN-Designs in verschiedenen IoT-Sensorumgebungen, einer übergreifenden Liste öffentlicher Daten und Quellcodes aus den gesammelten Veröffentlichungen sowie zukünftiger Forschungsrichtungen. Um neu veröffentlichte Arbeiten im Blick zu behalten, sammeln wir repräsentative Arbeiten und deren Open-Source-Implementierungen und erstellen ein Github-Repository bei GNN4IoT.
Dong et al. (Fr,) untersuchten diese Frage.