基于社区的模型共享与泛化：物联网温度传感器网络中的异常检测
机器学习
2026-01-12 v1
摘要
物联网（IoT）设备的快速部署催生了大规模传感器网络，用于实时监测环境和城市现象。兴趣社区（CoIs）通过将具有相似操作和环境特征的设备分组，为组织异构物联网传感器网络提供了一种有前景的范式。本工作提出了一个基于CoI范式的异常检测框架，通过使用融合相似度矩阵将传感器分组到社区中，该矩阵融合了基于Spearman系数的时序相关性、使用高斯距离衰减的空间邻近性以及海拔相似性。对于每个社区，选择基于最佳轮廓系数的代表性站点，并使用贝叶斯超参数优化和扩展窗口交叉验证训练三种自编码器架构（BiLSTM、LSTM和MLP），并在同一集群的站点和其他集群的最佳代表性站点上进行测试。模型在数据的正常温度模式下进行训练，并通过重构误差分析检测异常。实验结果表明，在所评估的配置中，社区内性能表现稳健，同时观察到跨社区的差异。总体而言，结果支持基于社区的模型共享在减少计算开销和分析模型在物联网传感器网络中的泛化能力方面的适用性。
引用
@article{arxiv.2601.05984,
title = {Community-Based Model Sharing and Generalisation: Anomaly Detection in IoT Temperature Sensor Networks},
author = {Sahibzada Saadoon Hammad and Joaquín Huerta Guijarro and Francisco Ramos and Michael Gould Carlson and Sergio Trilles Oliver},
journal= {arXiv preprint arXiv:2601.05984},
year = {2026}
}
备注
20 pages, 9 figures, Journal submission