Layer 5：边缘智能 · 全部目录¶
本页由
python tools/generate_layer_catalogs.py --write自动生成；请勿手工编辑链接列表。
| # | 标题 | 文件 |
|---|---|---|
| 1 | Agentic IoT：从 AIoT 到 Internet of Agents | agentic-iot-internet-of-agents |
| 2 | 零能耗 IoT 中 UAV 辅助反向散射定位与 ISAC 综述 | ai-uav-backscatter-localization |
| 3 | 异步联邦学习：让千差万别的设备协同训练 | async-federated-learning |
| 4 | 工业 IoT 端侧 LLM 推理的级联多粒度剪枝 | cascaded-pruning-on-device-llm-iiot |
| 5 | 协作推理系统全景：多设备协同运行深度学习模型 | collaborative-inference-survey |
| 6 | 边缘持续学习：学新知识不忘旧知识 | continual-learning-edge |
| 7 | 对比学习在传感器数据中的应用 | contrastive-learning-sensor |
| 8 | DARTS 可微分架构搜索与边缘模型设计 | differentiable-nas-darts |
| 9 | 面向边缘 IoT 的分布式群体学习 | distributed-swarm-learning-edge-iot |
| 10 | 边缘视频分析系统：从原始视频流到实时智能决策 | edge-ai-video-analytics |
| 11 | 边缘异常检测：Autoencoder 与 Isolation Forest | edge-anomaly-detection |
| 12 | 边缘生成对抗网络 | edge-gan-generation |
| 13 | 边缘大模型协作部署与 IoT 应用 | edge-large-ai-models-iot-applications |
| 14 | 边缘 RAG：检索增强生成在边缘的实现 | edge-rag-retrieval |
| 15 | 快速准确的时序异常检测及其 IoT 应用边界 | fast-time-series-anomaly-detection |
| 16 | FedAvg 算法深度剖析与 IoT 训练边界 | federated-averaging-deep-dive |
| 17 | 联邦学习与物联网：隐私保护下的分布式智能 | federated-learning-iot |
| 18 | FlashAttention 与边缘设备上的注意力内存瓶颈 | flash-attention-edge-adaptation |
| 19 | IoT 基础模型综述：分类法与选型准则 | foundation-models-iot-survey |
| 20 | 图神经网络在 IoT 中的应用 | graph-neural-network-iot |
| 21 | 512MB 内存以下嵌入式设备上的硬件感知 NAS | hardware-aware-nas-embedded-devices |
| 22 | 论文阅读报告：Jupiter: Fast and Resource-Efficient Collaborative Inference of Generative LLMs on Edge Devices | jupiter |
| 23 | 知识蒸馏在边缘部署的应用 | knowledge-distillation-edge |
| 24 | 大模型推理量化：GPTQ 与 AWQ | llm-quantization-gptq-awq |
| 25 | MobileViT 在边缘端的视觉 Transformer 实践 | mobile-vit-edge-transformer |
| 26 | 边缘 AI 模型压缩技术全景 | model-compression-edge |
| 27 | 多模态边缘感知 | multimodal-edge-perception |
| 28 | NAS 自动化边缘模型设计：让机器设计机器 | nas-edge-models |
| 29 | 端侧 Diffusion Model 部署 | on-device-diffusion-model |
| 30 | IoT 数据流的端侧边缘学习：持续学习与资源约束 | on-device-edge-learning-iot-streams |
| 31 | 设备端在线训练：让边缘模型持续进化 | on-device-training |
| 32 | 神经架构搜索 One-Shot NAS 在边缘的应用 | one-shot-nas-edge |
| 33 | 基于功耗侧信道数据的自治 TinyML 异常检测 | power-side-channel-tinyml-anomaly-detection |
| 34 | 隐私计算：TEE 加联邦学习联合方案 | privacy-computing-tee-fl |
| 35 | 强化学习在边缘自适应中的应用 | reinforcement-learning-edge |
| 36 | 自监督预训练在端侧的应用 | self-supervised-pretraining-device |
| 37 | AIoT 强化学习 Sim-to-Real 差距的低成本真实基准平台 | sim-to-real-rl-aiot-benchmark |
| 38 | Medusa 与边缘端 LLM 投机解码加速 | speculative-decoding-edge |
| 39 | 分割计算：DNN 端-边最优切分 | split-computing |
| 40 | 时序预测 Transformer 模型 | time-series-transformer |
| 41 | IoT 传感网络中的 TinyML 声学异常检测 | tinyml-acoustic-anomaly-detection |
| 42 | Transformer 模型边缘部署技术 | transformer-edge-deployment |