XiaoMi-AI文件搜索系统
World File Search System卡方
使用卡方和机器学习的功能选择对恶意软件分类的影响
摘要 - 物联网（IoT）是物理对象，汽车，家用电器以及与传感器，软件和连接集成的其他项目的净作品，可通过Internet收集和共享数据。物联网设备的快速扩散已经引起了一波新的安全挑战，特别是在恶意软件检测领域，这些挑战需要创新的解决方案。因此，这项研究的主要目的是开发一个先进的恶意软件检测系统，除了具有名为Chi-square的功能选择方法之外，还与自然语言处理技术同时利用了与自然语言处理技术一样。使用IOTPOT数据集对所提出的方法进行了测试，并将其与该领域的最新研究进行了比较，在该领域，它在准确性，F1分数，召回和精度方面的表现优于当前工作。此外，将提出的方法与基于时间的咨询进行了比较，并且在NLP和CHI-Square中表现出了出色的性能，而不是没有时间的咨询，这使其更适合于这种物联网系统限制的资源。我们还提供了提出的方法来促进透明度的代码。1。索引术语 - NLP，机器学习，恶意软件检测，卡方，功能选择
卡方和p值与机器学习功能选择
相反，应使用卡方检验和p值来确保真正的关联，而不是依靠套索和RF方法。5-7因此，它们的结果可能有所不同。机器学习中的特征选择可能无法提供真正的关联，原因有几个原因。一个主要问题是过度插入，其中模型，尤其是复杂的模型，捕获噪声而不是训练数据中的真正基础模式。此外，机器学习算法通常会鉴于特征与目标变量之间的相关性，但是这些相关性可能并不意味着因果关系。这种区别至关重要，因为相关并不意味着一个变量会导致另一个变量。另一个挑战是特征选择方法固有的偏差和差异。这些方法可能对使用的特定数据敏感，从而导致偏见或高变化的恢复，这些偏差并不能很好地推广到新数据。此外，不同的算法具有不同的优势和劣势。例如，拉索可能会收缩一些系数为零，可能缺少重要的重要特征，而RF由于其固有的结构而可能会过度强调某些特征。卡方检验和p值是统计方法，可在目标和特征之间提供真正关联。卡方检验和p值测量特征与目标变量之间关联的统计意义，有助于将真实关联与随机噪声区分开。这些方法基于假设检验，提供了一个框架，以测试观察到的关联是否可能是由于偶然的原因。另外，统计方法可以控制混杂变量，以确保确定的关联不是虚假的。最后，统计测试的结果通常可重现，可以在不同数据集中验证。
量子卡方断层扫描和互信息测试
量子态断层扫描（从 𝑛 个副本中学习 𝑑 维量子态）是量子信息科学中一项普遍存在的任务。它是从 𝑛 个样本中学习 𝑑 结果概率分布的经典任务的量子类似物。更详细地说，目标是设计一种算法，给定某个（通常是混合的）量子态 𝜌 ∈ C 𝑑 × 𝑑 的 𝜌 ⊗ 𝑛，输出一个估计值 2 ̂︀ 𝜌（的经典描述），该估计值以高概率“𝜖 接近”𝜌。主要挑战是将样本（副本）复杂度 𝑛 最小化为 𝑑 和 𝜖（有时还有其他参数，例如 𝑟 = 秩 𝜌 ）的函数。我们还将关注设计仅进行单次（而不是集体）测量的算法的实际问题。指定量子断层扫描任务的一个重要方面是“𝜖-close”的含义；即，判断算法估计的损失函数是什么。有很多自然的方法可以测量两个量子态的发散度——甚至比两个经典概率分布的发散度还要多——并且所选择的精确测量方法会对必要的样本复杂度以及最终估计对未来应用的效用产生很大的影响。本文的主要目标是展示一种新的断层扫描算法，该算法实现最严格的准确度概念（Bures）𝜒 2 -发散度，同时具有与以前使用不忠诚度作为损失函数的算法基本相同的样本复杂度。然后，我们给出了一个应用，即量子互信息测试问题，这关键依赖于我们实现关于𝜒 2 -发散度的有效状态断层扫描的能力。
量子卡方断层扫描和互信息测试
量子态层析成像——从 𝑛 副本中学习 𝑑 维量子态——是量子信息科学中一项普遍存在的任务。它是从 𝑛 样本中学习 𝑑 结果概率分布的经典任务的量子类似物。更详细地说，目标是设计一种算法，给定某个（通常是混合的）量子态 𝜌 ∈ C 𝑑 × 𝑑 的 𝜌 ⊗ 𝑛 ，输出（经典描述）估计值 2 ̂︀ 𝜌，该估计值以高概率“𝜖 接近”𝜌。主要挑战是最小化样本（复制）复杂度 𝑛 作为 𝑑 和 𝜖（有时还有其他参数，例如 𝑟 = rank 𝜌 ）的函数。我们还将关注设计仅进行单次复制（而不是集体）测量的算法的实际问题。指定量子断层扫描任务的一个重要方面是“ 𝜖 -close”的含义；即，判断算法估计的损失函数是什么。有很多自然的方法可以测量两个量子态的发散度——甚至比两个经典概率分布的发散度还要多——并且所选择的精确测量方法会对必要的样本复杂度以及最终估计对未来应用的效用产生很大的影响。本文的主要目标是展示一种新的断层扫描算法，该算法实现了最严格的准确度概念（Bures）𝜒 2 -发散度，同时具有与使用不忠诚度作为损失函数的先前已知算法基本相同的样本复杂度。然后，我们给出了一个应用，即量子互信息测试问题，这关键依赖于我们实现关于𝜒 2 -发散度的有效状态断层扫描的能力。
多传感器融合与交互多模型和卡方检验容差滤波器
摘要：由于传感器技术、电信和导航系统的最新进展，多传感器信息融合算法在最先进的组合导航系统中具有关键重要性，本文提出了一种改进的创新容错融合框架。组合导航系统由四个传感子系统组成，即捷联惯性导航系统 (SINS)、全球导航系统 (GPS)、北斗二号 (BD2) 和天文导航系统 (CNS) 导航传感器。在这种多传感器应用中，一方面，有效融合方法的设计受到极大限制，特别是在没有关于系统错误特性的信息时。另一方面，开发准确的故障检测和完整性监测解决方案既具有挑战性又至关重要。本文通过联合设计故障检测和信息融合算法，解决了传统故障检测解决方案的敏感性问题以及无法获得精确已知的系统模型的问题。特别是，通过使用交互多模型 (IMM) 滤波器的思想，系统的不确定性将通过模型概率和使用所提出的基于模糊的融合框架进行自适应调整。本文还通过联合设计双状态传播器卡方检验和融合算法，解决了使用损坏的测量值进行故障检测的问题。使用两个并行运行的 IMM 预测器，并根据从融合滤波器接收到的信息交替重新激活，以提高所提出的检测解决方案的可靠性和准确性。通过将 IMM 与所提出的融合方法相结合，我们提高了检测系统的故障敏感性，从而显著提高了组合导航系统的整体可靠性和准确性。模拟结果表明，所提出的容错融合框架比传统框架具有更优异的性能。