XiaoMi-AI文件搜索系统
World File Search System误报率
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，人们开发了各种各样的技术来预测 SEP 的发生，这些技术主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们将重点介绍太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时还应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 的发生具有高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基率的自然结果。总之，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值强烈影响模型性能，3) 模型中使用的特征，如果单独考虑，则无法完全分离参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
第二卷 - 北卡罗来纳州气候研究所
在迄今为止使用的海面温度 (SST) 操作处理方法中，在卫星数据影响最小的地方，对 SST 反演算法（通过对卫星测量的辐射与现场观测进行直接回归而开发）的置信度最高，而在卫星数据潜力最大的地方，置信度最低。在卫星记录过程中，现场数据的密度和空间分布发生了显著变化。这些变化可能影响了不同卫星算法的准确性。气溶胶的影响，特别是埃尔奇琼火山 (1982) 和皮纳图博火山 (1991) 的大规模喷发，导致反演的 SST 出现显著偏差和趋势，远远超过了气候监测严格的 0.1 degK.decade -1 要求。虽然 AVHRR Oceans Pathfinder 等再处理工作已成功消除了实际卫星 SST 数据中存在的大部分偏差，但它们在许多领域仍未达到要求；例如，云消除。与从卫星辐射估计 SST 密切相关的两个问题是云检测和表面效应。在云检测中，使用预定阈值可能会影响检测/误报率，因为云状态的变化会影响空间和时间检索误差。更好的方法是将每个观测的确定性级别输入到分析步骤中，作为每个观测的误差极限描述的一部分。在这方面，云检测误差通常是非高斯和非对称的，需要修改分析方法才能产生最佳结果。表面效应（趋肤效应和
用于个性化癫痫发作预测的自适应、无标记和实时近似学习平台 (AURA)
高性能事件检测系统是进行某些预测研究所需的全部。在这里，我们介绍 AURA：一种使用未标记的实时数据训练的自适应预测模型，使用内部生成的近似标签进行实时训练。通过利用时间序列数据的相关性质，一对检测和预测模型耦合在一起，使得检测模型自动生成标签，然后用于训练预测模型。AURA 依赖于几个简单的原则和假设：(i) 目标应用中事件预测/预报模型的性能仍然低于事件检测模型的性能，(ii) 检测到的事件被视为弱标签，并被认为足够可靠，可用于在线训练预测模型，以及 (iii) 系统性能和/或系统响应反馈特性可以针对被测对象进行调整。例如，在医疗患者监测中，这可以实现个性化预测模型。癫痫发作预测被认为是 AURA 的理想测试案例，因为发作前脑电波因患者而异，根据患者情况定制模型可以显著提高预测性能。AURA 用于为 10 名患者生成个人预测模型，结果显示灵敏度平均相对提高 14.30%，误报率降低 19.61%。本文提出了一个概念验证，证明了在时间序列神经生理数据流上进行在线迁移学习的可行性，为低功耗神经形态神经调节系统铺平了道路。
使用COOT优化和MANET的混合LSTM-KNN分类器设计入侵检测和预防模型
简介：MANET是一项新兴技术，由于其能力在短时间内分析大量数据，因此在各种应用程序中获得了吸引力。因此，这些系统正面临各种安全漏洞和恶意软件攻击。因此，必须设计一个有效，积极和准确的入侵检测系统（IDS）来减轻网络中存在的这些攻击。大多数以前的ID都面临着诸如低检测精度，降低新型攻击形式的效率以及高误报率。目标：为了减轻这些关注点，提出的模型使用COOT优化和MANET的混合LSTM-KNN分类器设计了有效的入侵检测和预防模型，以提高网络安全性。方法：拟议的入侵检测和预防方法由四个阶段组成，例如对攻击节点的正常节点进行分类，预测不同类型的攻击，发现攻击的频率以及预防预防机制。初始阶段是通过COOT优化完成的，以找到从正常节点识别攻击节点的最佳信任值。在第二阶段，引入了混合LSTM-KNN模型，以检测网络中各种攻击。第三阶段执行以对攻击的发生进行分类。结果：最后阶段旨在限制系统中存在的攻击节点的数量。拟议方法的有效性通过一些指标验证，该指标的精度达到96％，执行时间为98％和35秒。结论：该实验分析表明，提出的安全方法有效地减轻了MANET的恶意攻击。
与动作锁相的性能调节取决于内部状态
一些研究已经探究了在自定步调的运动动作后不同时间的感知表现，并发现感知表现的频率特异性调制与动作相位锁定。据报道，这种与动作相关的调制具有各种频率和调制强度。为了在人群层面建立基本效应，我们让相对大量的参与者（n=50）执行自定步调的按钮按下，然后执行阈值检测任务，并且我们应用了固定和随机效应检验。令人惊讶的是，所有试验和参与者的综合数据没有显示任何显著的动作相关调制。然而，基于之前的研究，我们探索了这种调制取决于参与者内部状态的可能性。事实上，当我们根据相邻试验的表现对试验进行拆分时，低绩效时期的试验显示出约 17 Hz 的动作相关调制。当我们根据前一次试验的表现对试验进行拆分时，我们发现“失误”后的试验显示出约 17 Hz 的动作相关调制。最后，当我们根据参与者的误报率对他们进行分组时，我们发现没有误报的参与者表现出约 17 Hz 的动作相关调制。所有这些影响在随机效应测试中都很显著，支持对人群的推断。总之，这些发现表明，动作相关调制并不总是可检测的。然而，结果表明，特定的内部状态（例如较低的注意力投入度和/或较高的决策标准）以 beta 频率范围内的调制为特征。
基于常见空间模式和机器学习技术的癫痫发作预测新方法
癫痫是最常见的神经系统疾病之一，其特征是由大脑电功能短暂紊乱引起的反复发作。在30%的病例中，这种疾病无法通过药物或切除成功治疗，直接影响患者的生活质量。因此，人们对开发可靠的工具来预测癫痫发作、帮助做出决策、或至少在癫痫发作时提醒患者做好准备有着浓厚的兴趣。所提出的癫痫发作预测方法基于头皮脑电图 (EEG) 的时频分析和使用空间滤波技术提取能够区分发作间期和发作前活动的特征。通过离散小波变换分解获得的脑电图的 theta、alpha 和 beta 节律系数受到常见空间模式滤波技术的影响。提取统计和熵相关属性，然后选择特征并将其应用于具有高斯核的 SVM 分类器，以区分大脑状态为发作前或非发作前。对来自波士顿儿童医院和麻省理工学院 (CHB-MIT) 数据库的 17 名难治性癫痫患者的多通道表面记录进行了评估。在后处理步骤中还比较了卡尔曼滤波器和中值滤波器两种技术，以平滑分类器结果。每个 EEG 时期的最终决定都是在经过平衡过程后做出的。最佳结果显示样本分类的平均准确率为68.8%。警报生成器报告的误报率为每小时0.334。
PoS(ECRS)014 - SISSA
太阳高能粒子 (SEP) 是空间天气中最危险的事件之一。在过去的几十年中，已经开发出多种技术来预测 SEP 的发生，主要基于 > 10 MeV 质子通量与某些前兆（例如太阳耀斑、日冕物质抛射等）之间的统计关联。在本文中，我们重点关注太阳质子事件实时警报 (ESPERTA) 的经验模型，该模型通过考虑三个输入参数来预测≥ M2 太阳耀斑发生后的 SEP 事件：耀斑源区经度、软 X 射线通量和 ∼ 1 MHz 的射电通量。在这里，我们在监督学习框架中重塑了 ESPERTA 模型，并对预测模型进行了交叉验证，同时应用了罕见事件校正（即数据过采样和损失函数加权），因为 SEP 发生的高度不平衡性。使用合成少数过采样技术可获得最佳性能，检测概率为 0.83，误报率 (FAR) 为 0.39。尽管如此，与不平衡情况相比，验证分数的改善很小。SEP 预测的相关 FAR 是样本基准率的自然结果。综上所述，我们给出的证据表明，预测 SEP 事件的统计方法应考虑以下因素：1) 需要根据 SEP 事件的预期发生情况校准模型，2) 决策阈值对模型性能有很强的影响，3) 模型中使用的特征，如果单独考虑，无法完全区分参数空间中的事件类别，因此使用处理不平衡问题的技术并不能保证更好的性能。
零-X：一个支持区块链的开放式联合学习框架，用于IOV中的零日攻击检测
摘要 - 车辆互联网（IOV）是智能运输系统（ITS）的至关重要技术，它将车辆与互联网和其他实体集成在一起。5G和即将到来的6G网络的出现具有巨大的潜力，可以通过启用超可靠，低延迟和高带宽通信来改变IOV。然而，随着连接性的扩大，网络安全威胁已成为一个重大问题。零日（0天）攻击的数量增加，该问题进一步加剧了问题，该攻击可以利用未知的漏洞并绕过现有的入侵检测系统（IDSS）。在本文中，我们提出了零X，这是一个创新的安全框架，可有效检测0天和N天攻击。该框架通过将深层神经网络与开放式识别（OSR）相结合来实现这一目标。我们的方法介绍了一种新颖的方案，该方案使用区块链技术来促进零X框架的可信赖和分散的联合学习（FL）。该计划还优先考虑隐私保护，使CAV和安全操作中心（SOC）在保护其敏感数据的隐私的同时贡献其独特的知识。据我们所知，这是第一项将OSR与隐私保护FL结合使用的工作，以在IOV领域识别0天和N天攻击。最近两个网络流量数据集的深入实验表明，所提出的框架达到了高检测率，同时最大程度地降低了误报率。与相关工作的比较表明，零X框架的表现优于现有解决方案。
深欺诈网：一种用于网络安全和财务欺诈检测和分类的深度学习方法
鉴于对数字系统的依赖性日益增长以及财务欺诈事件的升级，必须实施有效的网络安全协议和欺诈检测方法。威胁的动态性质通常会挑战常规方法，因此需要采用更复杂的策略。个人依赖于预先建立的法规或解决问题的过程，这些法规在识别新颖和复杂的欺诈性趋势方面具有限制。传统技术需要帮助处理噪声数据以及误报和真实积极因素产生的巨额费用。为了应对这些障碍，本研究引入了深层欺诈网，该框架利用深度学习来检测和对财务欺诈和网络安全威胁的实例进行分类。深度欺诈网系统模型需要利用深度神经网络，以通过培训从广泛的数据集中获取复杂的模式和特征。框架集成了减少降噪方法，以增强欺诈检测的精度并提高输入数据的质量。深欺诈净方法的精度为98.85％，准确性为93.35％，灵敏度为99.05％，特异性为93.16％，误报率为7.34％，真正的正率为89.58％。这些发现表明，深欺诈网可以有效地检测和分类欺诈行为的实例，并减少错误分类。该方法对优先考虑强大安全性和欺诈检测的各个领域具有潜在的影响，包括但不限于银行业，电子商务和在线交易。
个性化在线癫痫检测的资源高效持续学习
摘要 — 癫痫是一种主要的神经系统疾病，需要仔细诊断和治疗。然而，癫痫发作的检测仍然是一项重大挑战。目前的临床实践依赖于专家对脑电图信号的分析，这个过程既耗时又需要专业知识。本文探讨了使用深度学习技术自动检测癫痫发作的潜力，特别关注基于持续学习的个性化模型。我们强调了根据每个患者独特的脑电图信号特征调整这些模型的重要性，这些特征会随着时间的推移而变化。我们的方法解决了将新数据集成到现有模型中而不丢失先前获取的信息的基本挑战，这是静态深度学习模型在动态环境中应用时常见的问题。在本研究中，我们提出了一种用于癫痫发作检测的新型持续学习算法，该算法集成了重放缓冲机制。这种机制是获取新数据的同时保留过去数据的相关信息的关键，从而有效地提高了模型随着时间的推移的性能。我们的方法旨在节省资源，使其适合在嵌入式系统中实施。我们使用 CHB-MIT 数据集证明了我们方法的有效性，与不考虑灾难性遗忘的微调方法相比，F1 分数提高了 35.34%。此外，我们表明，一个 1 小时的小数据重放缓冲区足以实现与资源无限场景相当的 F1 分数，同时与资源不受约束的方法相比，24 小时内的误报率降低了 33%。索引术语 — 癫痫发作检测、持续学习、增量学习、深度学习、个性化模型、可穿戴设备