本研究提出了多种优化分布式深度神经网络计算的方法，包括CoEdge系统、adaComp算法和自适应工作负载分配，旨在提高边缘设备的计算效率、降低能耗和延迟，同时保持模型准确性。实验结果表明，这些方法在资源不足的情况下表现优异，适合工业物联网和实时推理应用。

该研究探讨了分布式深度神经网络（DNNs）对抗行为的鲁棒性，并通过实验验证了压缩的隐含表示可以在最佳情况下将对抗性攻击的成功率降低 88％，平均降低 57％。该研究将问题转化为信息失真和鲁棒性的两个新度量，并考虑了不同的DNN架构、分布式DNN方法和对ImageNet-1K数据集进行了10种不同的对抗攻击的广泛实验分析。