論文の概要: A Survey of Foundation Models for IoT: Taxonomy and Criteria-Based Analysis

• arxiv url: http://arxiv.org/abs/2506.12263v1
• Date: Fri, 13 Jun 2025 22:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.606487
• Title: A Survey of Foundation Models for IoT: Taxonomy and Criteria-Based Analysis
• Title（参考訳）: IoTの基礎モデルに関する調査:分類学と基準に基づく分析
• Authors: Hui Wei, Dong Yoon Lee, Shubham Rohal, Zhizhang Hu, Shiwei Fang, Shijia Pan,
• Abstract要約: ファウンデーションモデルは、ラベル付きデータへの依存度が低いため、IoT領域への関心が高まっている。 既存の基盤モデルベースのメソッドのほとんどは、特定のIoTタスク用に開発されている。 この調査は、現在の方法論を包括的に概観することで、このギャップを埋めることを目的としている。
• 参考スコア（独自算出の注目度）: 6.678090066713295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have gained growing interest in the IoT domain due to their reduced reliance on labeled data and strong generalizability across tasks, which address key limitations of traditional machine learning approaches. However, most existing foundation model based methods are developed for specific IoT tasks, making it difficult to compare approaches across IoT domains and limiting guidance for applying them to new tasks. This survey aims to bridge this gap by providing a comprehensive overview of current methodologies and organizing them around four shared performance objectives by different domains: efficiency, context-awareness, safety, and security & privacy. For each objective, we review representative works, summarize commonly-used techniques and evaluation metrics. This objective-centric organization enables meaningful cross-domain comparisons and offers practical insights for selecting and designing foundation model based solutions for new IoT tasks. We conclude with key directions for future research to guide both practitioners and researchers in advancing the use of foundation models in IoT applications.
• Abstract（参考訳）: ファウンデーションモデルは、ラベル付きデータへの依存の低減とタスク間の強力な一般化性により、従来の機械学習アプローチの重要な制限に対処するため、IoT領域への関心が高まっている。 しかしながら、既存のファンデーションモデルベースのほとんどのメソッドは、特定のIoTタスクのために開発されており、IoTドメイン間のアプローチを比較したり、新しいタスクに適用するためのガイダンスを制限することは困難である。 この調査は、現在の方法論の包括的概要を提供し、効率性、コンテキスト認識、安全性、セキュリティとプライバシの4つの共有パフォーマンス目標をまとめることで、このギャップを埋めることを目的としている。 各目的について,代表作を概観し,一般的なテクニックと評価指標を要約する。 この目標中心の組織は、意味のあるドメイン間比較を可能にし、新しいIoTタスクのための基礎モデルベースのソリューションを選択し設計するための実践的な洞察を提供する。 我々は、IoTアプリケーションにおける基礎モデルの利用を促進するために、実践者と研究者の両方をガイドする将来の研究の鍵となる方向で結論付けます。

関連論文リスト

• Generative Representational Learning of Foundation Models for Recommendation [45.88034661002164]
  RecFoundは、レコメンデーションファウンデーションモデルのための生成的表現型学習フレームワークである。 生成タスクと埋め込みタスクの両方をカバーするレコメンデーションファンデーションモデルのための、最初の包括的なデータセットを構築した。 RecFoundはさまざまなレコメンデーションタスクで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-06-13T17:54:12Z)
• GeMID: Generalizable Models for IoT Device Identification [4.029017464832905]
  デバイス識別(DI)は、そのトラフィックパターンに基づいてIoTデバイスを識別する。 機械学習モデルを構築する既存のDIアプローチは、様々なネットワーク環境におけるモデル一般化可能性の課題を見落としていることが多い。 本稿では,この制限に対処する新しいフレームワークを提案し,異なるネットワーク環境において収集されたデータセット間のDIモデルの一般化性を評価する。
  論文  参考訳（メタデータ） (2024-11-05T17:09:43Z)
• Vision Foundation Models in Remote Sensing: A Survey [6.036426846159163]
  ファンデーションモデルは、前例のない精度と効率で幅広いタスクを実行することができる大規模で事前訓練されたAIモデルである。 本調査は, 遠隔センシングにおける基礎モデルの開発と応用を継続するために, 進展のパノラマと将来性のある経路を提供することによって, 研究者や実践者の資源として機能することを目的としている。
  論文  参考訳（メタデータ） (2024-08-06T22:39:34Z)
• Evaluating and Benchmarking Foundation Models for Earth Observation and Geospatial AI [26.986832126456413]
  我々は、地球観測のための基礎モデル(EO)と地理空間AIのコンピュータビジョン応用に焦点を当てた。 限られたラベル付きデータに対して、ファンデーションモデルは問題固有モデルと比較して性能が向上することを示す。 本稿では,EOファンデーションモデルの評価ベンチマークを用いて,下流タスクにおいて,ファンデーションモデルがラベル効率が高いことを示す。
  論文  参考訳（メタデータ） (2024-06-26T12:27:06Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)
• Evaluating Federated Learning for Intrusion Detection in Internet of Things: Review and Challenges [0.0]
  フェデレーテッド・ラーニング(FL)は、医療や交通システムなど、さまざまな分野で大きな関心を集めている。 我々は,IoTシナリオにおける異なる攻撃を検出するために,異なるデータ分布を考慮したマルチクラス分類器に基づくFL対応IDSアプローチを評価する。 我々は,既存の文献と評価結果の分析に基づいて,課題の集合と今後の方向性を同定する。
  論文  参考訳（メタデータ） (2021-08-02T15:22:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。