本研究分析了机器学习在网络物理系统中的挑战，包括实时决策、安全性和数据隐私，并概述了联邦学习在CPS中的发展，比较了其在CPS与物联网中的应用。

本文提出了一种框架，结合深度神经网络与决策树，有效解决网络物理系统中的虚假验证问题，能够识别CPS中的不安全执行反例。

本研究提出了一种混合自编码器方法（hybrid TDC-AE），旨在提高网络物理系统中的异常检测效率和分类性能。该方法利用传感器数据的时间相关性和物理原理，增强系统的弹性，以应对数字化和物联网设备带来的新漏洞问题。

本研究解决了智能合约在网络物理系统中缺乏统一形式化的问题，利用情况演算为复杂动态系统的建模与实现提供理论基础，并优化了合约执行过程。

本研究提出了一种新方法，通过在开源游戏引擎Godot中重建场景，直接生成网络物理系统（CPS）的测试场景，以确保其在动态环境中的安全性。

大型语言模型在物联网传感器数据处理和推理中展现出独特能力，能够通过“穿透型人工智能”与物理世界互动，整合常识和人类知识。研究表明，LLMs不仅能解释传感器数据，还能拓展其在文本任务之外的应用，促进人类知识与网络物理系统的结合。

研究发现大型语言模型（LLMs）在物联网传感器和执行器与物理世界互动和推理方面具有潜力。LLMs能够解释物联网传感器数据并进行推理，为LLMs在新的应用领域中的发展提供了机会，并将人类知识纳入到网络物理系统中。