XiaoMi-AI文件搜索系统
World File Search SystemDomain
用简洁的证明加强域身份验证
服务器身份验证向用户保证，他们正在与真正代表声称的域的服务器进行通信。今天，服务器身份验证依赖于认证机构（CAS），第三方对将公共钥匙签名为域。CAS仍然是Internet安全性的弱点，因为任何有缺陷的CA都可以为任何域发布证书。本文介绍了NOPE的设计，实现和实现评估，NOPE是服务器身份验证的一种新机制，该机制使用简洁的证明（例如，零知识证明），以证明存在将公共密钥链接到指定领域的DNSSEC链。DNSSEC的使用极大地降低了对CAS的依赖，并且证明的尺寸较小，可以与旧版基础架构的兼容性，包括TLS服务器，证书格式和证书透明度。不使用证明的效果最低，使客户的大小增加了约10％，并且需要超过1 ms才能验证。nope的核心技术贡献（将其推广）包括有效的技术，可以在简洁的证明中代表解析和加密操作，从而将证据的产生时间和记忆要求减少几乎数量级。
第八届 NMIOTC 海事领域网络安全会议
2024 年 9 月 18 日至 19 日，第 8 届 NMIOTC 海事领域网络安全会议在该中心举行。来自 30 个国家的 120 多名参与者、国家和国际组织的代表、学术界、海事私营部门和航运业的代表参加了会议。希腊国防总参谋部 (HNDGS) 信息学主任 Emmanouil Fragkoulopoulos GRC (A) 少将代表东道国致开幕词，拉开了会议的序幕。会议的主旨发言人是：
在未置换的生物医学领域中的关系提取
鉴于手动策展的资源密集型性质，评估集中选定项目的多样性很重要。量化训练集中的噪声后，以输入摘要的文本和预期的输出标签之间的差异形式，我们相应地探讨了不同的策略。将任务作为端到端的关系提取，我们评估了标准辅导（BioGPT，GPT-2和SEQ2REL）的性能，并使用开放的大语言模型（LLMS）（LLAMA 7B-65B）进行了少量学习。除了在几次射击设置中进行评估外，我们还探讨了开放LLM作为合成数据的潜力，并为此目的提出了新的工作流程。所有评估的模型在合成摘要而不是原始嘈杂数据时进行了实质性改进。我们提供表现最好的表现（F1得分= 59。0）天然产品关系端到端的MioGPT-LARGE模型以及所有培训和评估数据集。请访问https://github.com/idiap/abroad-re。
GXP 空间领域感知解决方案
© 2024 BAE Systems。保留所有权利。Geospatial eXploitation Products、GXP、GXP Fusion、GXP Xplorer 和 SOCET GXP 是 BAE Systems 的注册商标。本文件仅对 BAE Systems 提供的产品或服务进行了一般描述。产品或供应条件可能会不时发生变化。自 2024 年 8 月 27 日起批准公开发布；本文件包含 ITAR 第 120.10 部分或 EAR 第 772 部分未定义为受控技术数据的一般信息。20240827-19。www.baesystems.com/ gxp
海洋领域意识 3.0 - 国家安全学院
致谢 本报告以国家安全委员会在澳大利亚外交贸易部支持下开展的工作为基础，旨在促进 MDA 从业人员就加强印度洋区域信息共享安排进行讨论。作者谨感谢澳大利亚战略分析中心高级研究员兼专家助理 Anthony Bergin 博士、国家安全委员会高级顾问 Peter Ford 先生、国家安全委员会高级顾问 Ben Scott 先生、CRIMARIO II 的 Greg Clifford 先生、哥本哈根大学 Christian Bueger 教授、华盛顿特区国防大学近东南亚中心的 Jeffrey Payne 博士、新加坡南洋理工大学拉惹勒南国际研究学院的 Jane Chan 博士、Intelligent Futures 的 Brett Peppler 先生以及澳大利亚相关机构对本报告提出的有益评论和建议。我们还要感谢 Jane Chan 博士提出“海事领域意识 3.0”一词。本报告中表达的所有观点仅代表作者个人观点。
空间领域感知的无源射频技术与演示
用于空间领域感知 (SDA) 的无源射频 (PRF) 技术已被美国太空军 (USSF) 空间条令“出版物 3-100，空间领域感知” [1] 确定为 SDA 任务感兴趣的一项技术。无源射频传感器利用航天器发射的信号来确定飞行器的位置和运动，进而可用于轨道确定和保管维护。无源射频技术还包括使用传统信号处理和射频机器学习 (RFML) 技术分析信号外部特性，以表征航天器，包括识别、姿势估计、生命模式、变化或事件检测、意图估计、预警以及包括雷达和光学传感器在内的其他传感器系统的倾斜和排队。无源射频的主要优点包括白天和夜间的持续观测、恶劣天气下的观测以及快速重访。这项工作将涵盖弗吉尼亚理工大学国家安全研究所利用弗吉尼亚理工大学地面站 (VTGS) 的资产和相对低成本的商用现货 (COTS) 软件定义无线电 (SDR) 技术开发初步概念验证无源射频能力的努力。该系统的当前目标包括在 S 波段卫星通信频率分配下跟踪地球同步航天器、通过卫星下行链路的极化分析探索姿态估计，以及初始数据收集以探索用于跟踪和卫星特性的多种算法。正在为这一初步概念验证研究的特定无源射频技术是射频干涉测量法，它利用多个相干卫星接收器系统之间的长间隔（称为基线），并为跟踪观测提供潜在的亚角秒角分辨率。将介绍真实世界干涉仪的技术设计，包括实施挑战，例如多个站点之间的定时和同步以及系统校准。还将介绍该系统从空中真实世界测量中得出的初步结果，涉及卫星跟踪和特性。本文最后将讨论系统的改进和未来工作，包括在替代飞行状态下的跟踪和特性描述、扩大系统的频率覆盖范围及其对系统设计的影响，以及可用于 SDA 任务并通过系统测试的潜在信号处理和 RFML 技术。
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet
用于突发 cVEP 脑机接口领域自适应的深度黎曼神经架构
代码调制视觉诱发电位 (cVEP) 在脑机接口 (BCI) 社区中越来越受欢迎 [1]。这种方法采用伪随机视觉闪烁，具有校准时间短等优势，因为只需要学习一个代码。其他解码方法，如按位解码 [2]，已经实现了具有灵活解码周期的自定节奏 BCI。尽管取得了这些进步，但基于 cVEP 的 BCI 仍然主要在实验室环境中进行研究，因为每次使用前都需要重新校准。这一限制与所有 BCI 范式共有的跨会话和跨受试者差异有关。BCI 的这些差异源多种多样 [3]，包括解剖学差异（例如灰质数量变化）、人为因素（例如教育水平和生活习惯差异）或生理因素（例如疲劳、注意力水平和压力水平）。此外，神经生理学差异（例如特定频率范围内频谱功率调制的变化）也会导致这些变化。为了解决这些变化源，人们进行了广泛的研究 [4, 3] 以提出新方法。评估迁移学习方法有两种主要设置，具体取决于目标对象可用的信息量。在最独立的设置中，称为领域泛化，没有来自目标对象的信息，因此模型是在数据上进行训练的
军事领域人工智能治理
3 肖倩等，“中美人工智能与国际安全二轨对话中期报告”，清华大学国际安全与战略研究中心，2024 年 4 月 6 日，https://ciss.tsinghua.edu.cn/info/CISSReports/7041。
机器学习系统中的域知识集成简介
机器学习目前由深度神经网络体系结构（DNN）主导，它具有很高的性能，并且经常产生卓越的性能[14]。这种主导地位导致在各种技术领域中的成功应用程序，包括图像，文本处理和分析，基于特征的数据调查和序列分析到对结构化数据（如图形或一般接近性关系数据）的评估。DNN的质量主要归因于大型模型复杂性[3]。因此，DNN主要用于无监督的表示学习和编码以及监督场景，即回归和分类学习。然而，对深层模型的培训通常需要大量的培训数据集，因此还需要长时间的培训时间。此外，由于模型的复杂性，避免损失函数的局部最小值的挑战是非平凡的[1，5，17]。解决此问题，有利于几种正则化技术[3]。此外，正如[7]中指出的那样，稳定的学习有助于因果推断，从而可以通过其他信息来增强数据库的稳定性。处理那些DI文化的另一种可能性是将有关数据可用的其他知识整合到机器处理的数据处理中