本研究解决了在资源有限的物联网边缘设备上进行语音识别的问题。该论文提出了一种量化的1D卷积神经网络模型，并通过新创建的数据集和Edge Impulse技术实现了97%的高准确率，显著提升了设备对23个不同关键词的处理能力，适用于智能家居和老年人辅助生活等应用场景。

本研究解决了当前人类活动识别（HAR）领域在设备端学习新任务时缺乏监督数据的限制。我们提出了Dendron，一种新的TinyML方法，旨在即使在监督数据稀缺的情况下，也能有效支持HAR的设备端学习。实验结果表明，该方法在两个人类活动识别数据集上表现出良好的效果和效率，对该领域具有潜在影响。

本研究解决了资源受限的边缘传感系统中信息处理能效不足的问题。通过提出一种混合的软件-硬件边缘分类器，包括优化的数字TinyML网络和RRAM-CMOS模拟内容寻址存储器，展示了在准确性与能耗之间的优良平衡。研究结果显示，这种混合系统的每次分类操作能耗仅为原模型的792分之一，显著提升了极端边缘应用的可行性。

本研究提出了一种双层闲聊去中心化并行随机梯度下降框架，旨在解决微控制器单元上部署去中心化联邦学习时的连接不稳定和网络动态问题。该方法在CIFAR-10数据集上验证了与中心化联邦学习相当的准确性，展示了在资源受限环境中的可扩展学习潜力。

本研究提出了一种基于模型压缩的小型高效机器学习模型，解决了边缘设备在室内定位中的资源限制问题。量化的Transformer模型在64 KB内存下保持良好定位精度，而Mamba模型在32 KB内存下表现优异，展示了在资源受限环境中部署先进室内定位模型的可行性。

Wake Vision是一个新发布的大规模数据集，专为TinyML中的人检测任务设计，包含约600万张高质量图像。它提供两种训练集，帮助研究人员在数据量和质量之间找到平衡，从而提升模型在真实场景中的表现。

本研究解决了物联网设备与边缘计算系统之间数据传输的信道优化问题。通过采用基于TinyML的信道跳跃模型，验证了一种快速预测算法以寻找IoT和边缘设备之间的空闲信道。研究表明，应用TinyML于微控制器的信道跳跃是可行的，且可将RSSI和SNR分别提高63%和44%。

本文探讨了在内存受限的微控制器上部署卷积神经网络（CNN）的方法，提出了结合神经架构搜索与剪枝的框架Sparse Architecture Search。研究表明，该方法在物联网数据集上表现优越。文章还介绍了MCUNet框架及TensorFlow Lite Micro等工具，强调高效模型设计和低能耗执行的重要性。

本文提出了一个基于语义Web技术的框架，用于管理TinyML模型和IoT设备，支持模型的交换与再利用。通过案例研究验证了框架的有效性，探讨了TinyML在低功耗设备中的应用及其挑战，强调了在线学习和联邦元学习的重要性，以提高模型的适应性和泛化能力。

本文探讨了TinyML在低功耗物联网设备中的应用，重点分析了深度学习和在线学习面临的挑战与进展。研究提出通过算法与系统的共同设计来优化资源管理，并介绍了联邦元学习以增强模型的泛化能力，最后展示了其在实际应用中的有效性。

本研究提出了多种神经架构搜索（NAS）方法，如Single-Path NAS和S3NAS，显著降低了搜索成本并提高了图像分类准确性。同时，MicroNAS和SpikeNAS专注于资源受限环境下的模型优化，推动了微控制器上的深度学习应用。

本研究设计了一种无线传感器网络，用于监测濒危鸟类。通过声学数据分析和机器学习，鸟类识别效果良好。采用深度学习和声学监测提高了分类精度，并比较了不同深度神经网络的效果。此外，研究开发了自动提取鸟类标记数据的方法，为未来的保护项目提供了可能性。

TinyML 是一种嵌入式机器学习技术，旨在使机器学习应用在资源受限的设备上运行。本文综述了 TinyML 的背景、工具、应用及未来研究方向，特别探讨了其在电动车充电基础设施网络安全中的应用及面临的挑战，如能量消耗和内存限制。案例研究展示了 TinyML 在降低延迟和内存使用方面的优势。

本文介绍了多个医学语言模型评估基准，包括法语生物医学语言理解基准DrBenchmark和涵盖40,041个医学问题的MedBench，旨在评估模型的知识和推理能力。此外，BenchMD和MLonMCU等工具被提出，以解决医疗领域中机器学习基准数据集不足的问题。这些研究为医学研究社区提供了可靠的评估标准。

近年来，TinyML在低占用嵌入式设备上提供了实时的机器学习能力。本研究旨在弥合原型设计的单一TinyML模型与开发可靠的生产级TinyML系统之间的差距。研究提出在线学习以实现在受限设备上的训练，并使本地模型适应最新的现场条件。同时，引入联邦元学习将在线学习结合在一起，以增强模型的泛化能力。此外，提出语义管理以进行模型和设备的联合管理。通过实例和三个真实应用的评估，验证了方法的有效性。

本研究提出了一种基于小型机器学习的全局色调映射方法（TGTM），能够以较低的计算量实现HDR图像的色调映射，具有更高的峰值信噪比。

减少资源开销，在 TinyML 模型中优化 QUTE，一个用于量化不确定性和检测偏移输入的轻量级集成架构。

通过使用强化学习算法优化系统操作和云异常处理，TinyML 启用的物联网系统在性能优化方面获得了较好的结果，相对于静态和动态优化方法分别提高了 22.86％和 10.86％的电池寿命。