Shigen Shen

DeSPU：面向边缘智能物联网网络的隐私合规去中心化稀疏个性化联邦遗忘

物联网入侵检测的高效联邦学习框架：两阶段分层流量分类方法

MFCO：一种基于移动边缘计算的彩虹DQN增强型平均场方法用于工业物联网中的计算卸载

SGA-SAC：融合图注意力与贝叶斯Stackelberg博弈的DRL可解释任务卸载方法在车联网边缘计算中的应用

MSDLO：结合工业物联网任务的多头注意力联合通用乐透游戏与可解释深度强化学习

SIQR：基于随机博弈的工业物联网中恶意软件传播的披露

MT-KD：面向工业物联网入侵检测系统隐私感知型遗忘的多教师知识蒸馏

面向差分博弈辅助恶意软件防御的边缘智能赋能社会物联网中的隐私感知深度强化学习

面向高维数据的深度学习分类模糊综合三级评价

DMSAQ: 基于深度强化学习的协作边缘存储网络多播流调度

EBMADDPG：基于Shapley值的可解释移动目标防御，用于边缘智能赋能的SIoT系统，通过联合贝叶斯马尔可夫博弈和深度强化学习实现

物联网安全的可解释入侵检测：一种基于SHAP增强的NGBoost模型

基于分组竞争的联邦学习隐私分配机制

在协作式边缘环境中的具有稳定性保证的在线自适应资源管理

室温下快速合成缺陷CALF-20以增强C2H6/CH4分离

针对恶意软件感染边缘智能系统的隐私保护策略：一种基于贝叶斯随机博弈的方法

Fed-MSV: 基于改进的Shapley值的联邦学习客户端采样优化

联合平均场博弈和多智能体异步优势演员-评论家算法用于边缘智能驱动的物联网恶意软件传播防御

RT-A3C：实时异步优势.actor-评论家，用于在边缘启用的工业物联网中优化防御恶意攻击

将深度脉冲Q网络集成到超博弈理论欺骗防御中，以缓解在边缘智能支持的物联网系统中的恶意软件传播