In the era of social media, the social media and smartphone popularity has enhanced exponentially. By the electronic media, fake news has rising quick with new information which are hugely untrustworthy. The search engine like google are incapable for fraudulent of news because its limitation with restricted keywords. The Optimized Convolution Neural Network (OPCNN) is proposed for classifying fake news into actual and fraudulent news based on sentiment analysis. which accommodate varying complexity levels by adjusting its architecture in Fake News Detection (FND). The Principal Component Analysis (PCA) is used to extract features from preprocessed images which reduces the data dimension comprising numerous related variables and recalls the high change in real data. The ISOT dataset is preprocessed through four various techniques. The recall, accuracy, f1 score and precision with ISOT dataset are considered to evaluate OPCNN performance. The OPCNN realizes 99.58% recall, 99.67% accuracy, 99.61% f1score and 99.64% precision for ISOT dataset when matched to previous techniques like Random Forest (RF) and Sea Turtle Foraging Optimization-based Fake News Detection and Classification (STODL-FNDC).

Recently, fake news and rumors are distributing majorly and rapidly in all over world. That circumstance causes the production and propagation of incorrect news articles. As well as mis data and fake news are maximized through user without correct verification. In this manuscript, proposed a Transductive - Long Short-Term Memory (T-LSTM) method for detecting fake news. The Buzzfeed and ISOT datasets are used in this manuscript for fake news detection and it is pre-processed by tokenization, removal of stop word and stemming. Then, the reduction of feature is performed by using Probability Principal Component Analysis (PPCA) and it is classified by using T-LSTM method. The proposed T-LSTM method attained accuracy 96.51 %, precision 94.64 %, recall 92.33 % and f1-score 93.57% on Buzzfeed dataset. The proposed T-LSTM method attained accuracy 98.43%, precision 97.76%, recall 97.02% and f1-score 97.35% on ISOT dataset. The proposed T-LSTM method performed well than other existing methods like LSTM -Levy Flight (LSTM-LF) and OptNet.

Efficient resource allocation in Multi-access Edge Computing (MEC) plays a pivotal role in achieving high throughput, low latency, energy efficiency, and user fairness. Traditional optimization approaches often address these goals separately, leading to suboptimal solutions in dynamic environments with multifaceted user demands. This research proposes a multi-objective framework for resource allocation in MEC by leveraging the Teaching-Learning Based Optimization (TLBO) algorithm. The TLBO algorithm, inspired by the classroom learning process, iteratively improves a population of candidate solutions by sharing knowledge among learners and guidance from a 'teacher.' The research formulate the resource allocation problem as a multi-objective optimization problem and demonstrate how TLBO can effectively discover Pareto-optimal solutions that represent trade-offs between conflicting objectives. Experimental results on simulated MEC scenarios demonstrate the superiority of with throughput of 150 mbps the proposed approach compared to baseline strategies such as greedy of 135 mbps and weighted round robin of 142 mbps.

Generative AI and IoT: The Rising New Interlinkage Generative AI and IoT are two emerging frontiers of technology that, when combined can create intelligent, adaptive, and scalable systems. In this work, we propose a hybrid Generative AIoT framework to overcome existing challenges in the field, including data insufficiency, model scalability, and real-time item responsiveness. By serving as a foundation for refining predictive maintenance, anomaly detection and synthetic text-to-data generation, the framework utilizes state-of-the-art generative models, such as GANs, VAEs, and LLMs. Experimental results show an increase in prediction accuracy (+14.3%), reduction in latency (-29.2%), and energy efficiency (+25%) highlighting the possibilities of using Generative AI in the application of IoT. Although the proposed framework demonstrates significant performance improvements, authors address the concerns with computation overhead and data privacy that need to be considered in future research. It focused on bringing together theoretical and practical insight to the integration of Generative AIoT, which further helps advance state-of-the-art technologies in IoT systems.