[简介]物联网正在迅速发展并生成大量数据。这些异质连接的数据需要各种分析处理，并且图神经网络可以很好地建模和分析网格数据。弗吉尼亚大学的学者发表了一篇有关“在物联网中应用图形神经网络的应用”的评论论文，该论文全面审查了GNN在物联网领域的应用中的最新进展，包括对GNN设计在各种IOT传感环境中的深入分析，包括在收集到的公共数据和未来研究渠道中的整体公共数据和源代码列表，以及未来的研究渠道。非常值得关注

物联网（IoT）的发展已经完全改变了人们日常生活的各个方面：医疗保健，家庭，运输，制造，供应链等。随着传感器和通信技术的开发，物联网设备（例如智能可穿戴设备，相机，智能手表和自动驾驶汽车）可以准确地测量和感知周围环境。连续感知会产生大量数据，这给机器学习带来了挑战。深度学习模型（例如，卷积神经网络和复发性神经网络）已被广泛用于通过从多模式感觉数据中学习模式来解决IoT任务。图形神经网络（GNN）是一个新兴的，快速增长的神经网络模型家族，可在传感器拓扑中捕获复杂的相互作用，并已被证明可以在许多物联网学习任务中实现最新的结果。在这篇综述中，我们全面回顾了GNN在物联网领域的应用中的最新进展，包括在各种物联网感测环境中对GNN设计的深入分析，包括在收集的出版物中的公共数据和源代码的总体列表以及未来的研究方向。为了跟踪最新发表的作品，我们收集了代表性论文及其开源实施，并在其上创建了知识基础。

介绍

物联网（IoT）是指通过无线或有线通信技术形成网络的一个组或密切连接的设备组，并共同努力为用户实现共同的目标。由于传感器，处理和计算功能，嵌入式系统以及各种通信协议（例如WiFi，和RFID）的持续发展，该技术在过去几十年中一直在发展。当今的IoT设备中有几个主要组件，包括传感单元，处理单元，通信单元及其机械硬件组件，它们充当设备的骨干，通常具有面对面和遥控用户界面。在这些设备中，它们的感应和通信功能是它们与非iot设备的差异。通过感知功能，物联网设备现在可以感知其环境，并随着周围环境的变化而理解不同的环境状态。凭借沟通能力，他们不再单独工作，而是与其他连接的设备及其用户合作，以​​实现更复杂的任务，这是以前认为自己不可能的。

物联网系统非常普遍，因为它们在我们的大多数生活和工作空间中都嵌入到任何地方。可穿戴设备（例如虚拟眼镜，腕带，智能手表和数字环）收集有关我们周围环境和生理状态的数据，以确保我们的安全和健康[27,80]。他们可以在由红外摄像机和智能床组成的ICU智能系统中观察患者的血压，体温和其他生命体征，或者测量患者的活动[179]。它们可以是监视摄像机的网络，当检测到异常活动时，它可以监视社区并触发警报[103]。此外，驾驶员的智能手机卫星/GPS信号也可以用于交通监控，提供实时导航服务和流量预测[112]；智能农业，使用湿度和温度传感器来监测土壤条件，并最终增加农作物的产量[126,185]；智能电网和能源管理，预测能源需求并分配资源，以便可以智能有效地发电[149]。我们大多数人都熟悉控制房屋和工作空间的物联网系统，无论是灯，门，扬声器，电器等，所有这些都改善了我们的生活质量[182]。上面列出的应用程序可以瞥见物联网感知可以实现的可能性领域。

通过利用在不同系统中配备的传感器收集的数据来实现IoT传感的能力。由均质设备类型组成的早期物联网系统会产生一致的数据模式，这些数据模式有利于传统的数据分析方法，例如经典的机器学习算法和其他浅层学习方法[50,289]。大多数浅层方法，例如基于树的模型，SVM和回归，都需要对原始感知数据进行预处理，然后才能生成预定义特征进行建模。但是，随着在不同的应用领域采用越来越复杂和异质的物联网系统，挑战也增加了。一方面，手工特征工程需要在相应的字段中进行大量领域知识，这既是效率低下，也是限制概括功能。另一方面，这些特征是肤浅的，通常无法在空间和时间上编码设备活动之间的复杂相互关系。此外，通过混合不同传感器生成的数据可能会相互补充或在某些情况下丢失，在组合音频，视频，运动和环境数据以不同频率和多种格式采样时，这会提出融合挑战。为了减轻这些问题，深度学习越来越多地应用于物联网传感数据的处理。

随着物联网传感技术的普及，已经出现了深度学习方法的发展。在基于计算机视觉的物体系统系统中，卷积神经网络（CNN）起着核心作用，因为它们能够在图像中抽象深层概念[125]。还提出了各种（CNN）变体来对物联网传感数据进行建模。例如，等。将CNN应用于基于IoT的智能健康监测系统[267]，而Li等人。将所有传感器数据转换为图像格式，并提出了用于智能电网中功率负载预测的CNN算法[149]。为了编码输入实例之间的时间关系，CNN还与长期短期内存（LSTM）网络相结合。 LSTM是一种递归神经网络（RNN）算法，可以在序列输入中改善遗忘问题。例如，等。提出了基于CNN-LSTM的智能电网功率盗窃检测方法[98]； Han等。为大城市设计了用于空气质量建模的混合CNN-LSTM框架[95]；而Yang等人。使用多通道脑电图数据应用平行卷积RNN进行情绪识别[298]。

事物互联网中深度学习方法领域的最新发展集中在图形神经网络（GNN）及其变体上。除了CNN和RNN提供的功能外，将GNN应用于IOT传感数据建模还有一些好处。实际上，CNN和RNN都可以视为简单的GNN。 CNN具有固定尺寸的网格图，RNN具有线图，而典型的GNN具有更复杂的图，没有固定形式，无序节点的大小是可变的，并且每个节点的邻居数量是可变的[329]。 GNN的额外复杂性使我们能够在物联网传感系统中的设备之间有效地编码复杂和相互依赖性，以及随着时间的推移，物联网设备的数据实例。物联网传感的广泛应用已使用GNN来表示他们在相关数据上的学习问题，包括团队协作[277]，流量监控和预测[40,51,112,143,321]，远程场景分类[157]，机器人抓取[81] [32,147]，社会感知[36]，个人健康[61]等。物联网传感领域的GNNS取得了巨大的成功，其性能超过或与现有基准相当。认识到它们的重要性，至关重要的是要充分了解GNN技术的新发展及其在IoT传感中的应用。

在这篇评论中，我们试图通过总结现有的GNN在IoT传感应用程序中的工作来弥合这一差距。我们为物联网感知范式创建了一个统一的框架，将物联网感知分为人类的感知，自主事物感知和环境感知。然后引入了GNN的简要介绍，并定义了IoT传感中GNN建模的分类。然后，基于如何通过图形表示建模数据，将GNN方法分为多基因相互作用，人类状态动力学和IoT传感器互连。通过此分类，我们对物联网传感中GNN模型最重要的工作进行了全面的审查。此外，我们还收集了一系列公共数据资源列表，这些资源可用于GNN和IoT感测的跨研究，以及使用基于GNN的技术的不同物联网应用领域的摘要。最后，对该领域面临的重要挑战进行了深入而全面的讨论，并指出了未来的研究方向。

图1显示。从自主对象，人和环境的角度来分析典型的物联网感知对象。

本文的其余部分如下：第2节说明了我们在GNN方法中的审查与现有调查之间的差异。第3节建立了物联网感知范式，并列出物联网系统中的不同感知对象及其关系。然后，引入了图神经网络的初步知识，以帮助读者了解GNN的关键概念。基于第3节，第4节提出了一种新的分类方法，以对物联网感知进行分类。在第5节中，我们总结了物联网传感中现有的可访问公共数据源和现有应用程序。在第6节中，我们讨论了在物联网传感应用中采用GNN模型的挑战，并指出该领域的潜在未来方向。我们总结了第7节中的这篇评论论文。

在这篇综述中，我们将基于GNN的IoT传感模型分为多基因相互作用图建模，人类行为动力学模型和IoT传感器互连模型。该GNN分类基于第3.1节（例如自主事物，人类和环境）中提到的不同感知范式中图形建模的语义解释。例如，在自主事物中，GNN使用图表代表多主体交互，其中节点代表自主主题或人，而边缘表示对象或对象对象的对象之间的交互。我们分类的基本原理是，感知对象的图形建模在GNN在物联网领域的应用中起关键作用：图形构造中的节点表示和边缘连接在不同的感知方案中具有不同的含义。例如，在具有多基因相互作用的GNN中，节点代表代理，而在具有动态人类行为的GNN中，节点代表人类状态。物联网感知中交互关系的域知识决定了传感器拓扑中信息转换的机制，并指示有效有效的GNN体系结构的设计以完成相应的学习任务。物联网在物联网中的分类摘要如图3所示。

我们总结了使用GNN作为框架建模的HSD的过程，如图5所示。HSD的GNN建模包括三个步骤：1）以人为中心的感知； 2）人类行为的图形表示（传感器）； 3）行为推理。表2总结了现有工作的差异，包括所使用的传感器，输入数据类型，GNN模型，GNN内核和学习目标。

GNN设置了克服上述问题的步骤，以更好地建模IoT传感器数据互连。 GNN考虑了地理空间性的影响，并通过结合图表的结构化关系信息来连接位于不同位置的IoT传感器，从而在智能运输网络和电力网络等应用中实现了更好的预测性能。 GNN还有助于发现传感器之间的隐式互连。例如，在多模式传感器网络（例如照明，环境）中，每个传感器都可以表示为图中的节点，需要采用数据驱动的方法来了解其潜在的互连。现有研究说明了将GNN应用于涉及IoT传感器互连的智能城市应用程序的性能。表3总结了收集工作中的传感器基础架构，GNN模型和学习目标。尽管GNN在不同的研究任务和字段中具有许多实现，但是可以将IoT传感器互连的GNN建模汇总为图6所示的框架。物联网传感器互连的GNN建模包括三个部分：1）ISI ，2）ISI图形建模，以及3）ISI 网络。

参考：

[1] [nd]。

[2] [nd]。

[3] [nd]。 ECML/PKDD 15：出租车（I）。

[4] [nd]。空气数据中的数据：IN：空气数据中的数据。

方便，易于查看

方便下载，请遵循“谈话”的官方帐户（单击上面的蓝色“谈话”以遵循）

知识，专业和值得信赖的人工智能知识分布，使认知协作更快，更好！欢迎注册并登录以获取有关 +AI（AI和军事，医学，公共安全等）主题的知识和信息！

欢迎在微信上进行扫描，加入专家人工智能知识星球组，以获取最新的AI专业知识教程材料并与专家进行交流！

单击“读取原始文本”以了解有关使用知识，查看和获取 + AI主题知识材料