《Journal of Engineering Research》：TrustSense-IoT: Calibrated Bayesian Evidence Allocation for Sensor-Drift Risk Monitoring
编辑推荐：
以下是论文摘要的专业翻译：
受漂移影响的化学传感器可用于物联网（IoT）监测，但时间性响应的变化使得传统的气体分类精度不足以支撑面向部署的决策支持。本研究提出了TrustSense-IoT，一种用于传感器漂移下校准高浓度风险监测的贝叶斯证据分配框架。该框架仅
以下是论文摘要的专业翻译：
受漂移影响的化学传感器可用于物联网（IoT）监测，但时间性响应的变化使得传统的气体分类精度不足以支撑面向部署的决策支持。本研究提出了TrustSense-IoT，一种用于传感器漂移下校准高浓度风险监测的贝叶斯证据分配框架。该框架仅利用先前批次的浓度阈值来定义气体特定的高风险标签，从16个传感器组构建有界的传感器级风险证据，并利用训练衍生的可靠性、事件级不确定性置信度、当前证据强度及特征可用性支持来自适应地分配证据。验证采用了前向批次协议，对UCI气体传感器漂移数据集中10个时间批次的13,910条观测进行了评估。TrustSense-IoT取得了0.688的宏F1分数（macro-F1），与仅基于可靠性的基线（0.687）相当，同时在所有被评估的可解释分配规则中达到了最高灵敏度（0.837）以及最低的Brier分数（0.151）和对数损失（0.481）。学习得到的分配产生了非均匀的传感器层级，且累积移除排名靠前的传感器使宏F1分数从0.688降至0.636，从而支持了分配的有效性。TrustSense-IoT为漂移感知的物联网风险监测提供了一个无泄漏、可解释且可操作的传感器智能层。
以下是根据论文主体内容撰写的学术解读文章：
**基于校准贝叶斯证据分配的传感器漂移风险监测框架：TrustSense-IoT解读**
**一、研究背景与问题**
电子鼻和化学传感器阵列的研究早已证实多传感器响应能够支持气体判别、环境监测、食品质量评估及安全应用。然而，物联网（IoT）环境下化学传感面临的一个关键挑战是传感器漂移：浓度变化、湿度波动、环境变迁、中毒、老化及长期暴露等因素会随时间损害模型可靠性。以往研究多聚焦于气体识别、材料反应和分类精度，而面向校准的操作性风险监测在很大程度上被忽视。现有的漂移补偿研究，包括深度域自适应、卷积神经网络、图神经网络、集成方法及元学习等，主要目标是学习漂移不变表示并最大化跨域气体分类性能。然而，这些方法通常不提供校准的、可解释的未来事件跨越高浓度风险状态的概率。此外，现有框架很少能将前向批次风险设定、仅训练预处理、传感器级可靠性、事件级不确定性、证据强度、缺失数据支持和操作性行动路径整合进统一的可解释监测管线。正是在此背景下，本研究提出了TrustSense-IoT框架，旨在解决漂移影响下物联网化学传感中校准且可解释的高浓度风险监测问题。
**二、研究内容与主要结论**
研究人员开发了TrustSense-IoT，一种贝叶斯证据分配框架，用于漂移影响下物联网感知的校准高浓度风险监测。该框架的目标不是取代气体识别模型，而是构建一个传感器智能层，将多传感器证据转换为有界的风险概率、事件特定的传感器权重和结构化的监测行动。研究采用UCI气体传感器漂移数据集进行验证，该数据集包含13,910条观测、10个时间批次、6种气体类别和16个传感器组（每组8个特征）。通过前向批次验证协议，研究表明TrustSense-IoT取得了与仅可靠性基线相当的宏F1分数（0.688对0.687），同时达到了所有可解释分配规则中最高的灵敏度（0.837）和最低的Brier分数（0.151）与对数损失（0.481）。研究还验证了学习得到的非均匀传感器层级。该框架的重要意义在于将漂移影响的化学传感重新定义为前向批次高浓度风险监测问题，为物联网监测提供了概率性、可追溯且可操作的风险估计。
**三、关键技术方法概述（≤250字）**
研究人员采用UCI气体传感器漂移数据集，该数据集包含10个时间批次、6种气体类别、16个传感器组共128个提取特征。验证采用前向批次协议：对于每个未来测试批次，所有预处理统计量、浓度阈值、传感器可靠性估计、分配参数和决策阈值均仅从先前批次学习，未来批次只用于评估，确保无泄漏验证。框架核心技术包括：利用气体特定75百分位数阈值定义高风险标签；通过训练中心点构建传感器级有界风险证据；计算训练衍生可靠性、事件级熵不确定性、证据强度和特征可用性四个分配因子；采用基于网格搜索的自适应贝叶斯证据分配融合16个传感器组的证据；最后将校准的风险概率转换为操作性监测行动级别。
**四、研究结果**
**前向批次高风险检测性能：** 通过九个未来测试批次的评估，TrustSense-IoT取得平均宏F1分数0.688±0.185，与仅可靠性分配规则（0.687±0.175）基本相当，但达到最高灵敏度（0.837），表明其在高风险观测的召回方面优于其他方法。这一结果说明框架在高风险检测任务上实现了均衡的检测性能。
**概率判别与校准：** 在所有评估的分配规则中，TrustSense-IoT取得了最低的Brier分数（0.151）和对数损失（0.481），表明其风险概率在概率误差方面最为有利。虽然仅可靠性规则在ROC-AUC（0.873）上最高、贝叶斯固定规则在PR-AUC（0.777）上最高、方差权重规则在ECE（0.186）上最低，但TrustSense-IoT在检测与概率误差之间提供了最平衡的总体框架。
**自适应贝叶斯证据分配：** 通过训练内前向验证选择自适应指数，平均选择的指数为a=0.94、b=1.56、c=1.44，表明模型相对于静态可靠性更强调事件级不确定性置信度和当前证据强度。敏感性分析显示，细化网格对性能几乎无影响（宏F1=0.6875），而扩大指数范围到[0.25, 3.0]使宏F1降至0.6590，证明主网格提供了足够的搜索分辨率。
**因子消融分析：** 逐个移除可靠性、不确定性置信度、证据强度和缺失支持四个因子表明各成分对性能产生互补而非一致的效应。移除证据强度使宏F1从0.688降至0.686、Brier分数从0.151升至0.154；移除不确定性置信度使Brier分数、对数损失和ECE分别升至0.156、0.491和0.231；移除可靠性使灵敏度从0.837降至0.816；由于原始数据无缺失特征值，缺失支持因子在完整数据评估中未被激活。
**学习得到的传感器证据层级：** TrustSense-IoT学习得到了显著非均匀的传感器层级，S06具有最高平均分配权重21.58%（范围6.64%-52.10%），其次为S05、S13、S14、S04和S08（平均权重7.16%-8.69%），而S10、S01、S02和S09的平均权重均低于1.2%。这一层级表明框架学会了区分不同传感器组的风险指示能力。
**操作性行动能力：** 框架将校准的风险概率转换为五个监测行动级别（常规监测、延迟获取更多证据、警告监测、严重警报、人工复核）。行动分布随批次风险流行率变化，高浓度批次通常产生更多审查或警告决策，敏感性分析显示在固定路由常数±0.05扰动下，96.99%-100.00%的行动分配保持稳定。
**顶部传感器移除与分配有效性：** 依次移除排名前四的传感器（S06、S05、S13和S14）后，TrustSense-IoT的宏F1分数从0.688降至0.636，Brier分数从0.151升至0.166。与500次匹配随机移除重复（宏F1保持在0.684-0.687）相比，针对性移除导致的性能下降明显更大（四传感器移除时宏F1=0.636对随机平均0.684，Brier=0.166对0.153），验证了学习得到的传感器层级具有操作相关性。
**五、讨论与结论**
讨论部分指出前向批次验证和泄漏控制是研究的显著优势，所有参数仅从先前批次学习，更接近实际物联网监测部署场景。检测-校准平衡模式表明，不应基于单一分类指标判断框架优越性，而应结合其综合检测、概率误差和可解释性特征。自适应证据分配的意义在于，即使传感器具有较高历史可靠性，也需结合当前事件证据的清晰度动态调整权重。消融结果显示了各因子的互补作用机制。传感器层级和顶部移除实验验证了分配权重的操作意义。结论部分明确TrustSense-IoT作为漂移感知物联网监测的传感器智能层，能够提供概率性、可追溯且可操作的风险估计。未来工作应扩展至更长时间跨度的部署、更多传感器平台、在线更新机制及成本敏感的行动策略。
