面向安全轻量级医疗物联网系统的分段学习框架
计算机视觉与模式识别
2025-12-25 v1 机器学习
摘要
互联网医疗物联网（IoMT）设备的快速增长导致了显著的安全风险，特别是针对资源受限设备的恶意软件攻击风险。传统深度学习方法因资源限制而不可行，而联邦学习（FL）则因高通信开销和易受非独立同分布（heterogeneous）数据的影响而受到威胁。本文提出一种基于分段学习（SL）的框架，用于通过图像分类进行 IoT 恶意软件检测。通过在客户端和边缘服务器之间划分神经网络训练，该框架减少了资源受限客户端的计算负担，同时确保数据隐私。我们采用博弈论方法构建了联合优化问题，在计算成本和通信效率之间进行平衡，以获得更好的训练性能。实验评估表明，所提框架在准确率（提升 6.35%）、F1 分数（提升 5.03%）、收敛速度（提升 14.96%）和资源消耗（降低 33.83%）方面均优于流行的 FL 方法。这些结果确立了 SL 作为下一代物联网安全可扩展且安全的范式的潜力。
引用
@article{arxiv.2511.00335,
title = {Beyond ImageNet: Understanding Cross-Dataset Robustness of Lightweight Vision Models},
author = {Weidong Zhang and Pak Lun Kevin Ding and Huan Liu},
journal= {arXiv preprint arXiv:2511.00335},
year = {2025}
}
备注
10 pages, 5 tables, 1 figure, 3 equations, 11 mobile models, 7 datasets