XiaoMi-AI文件搜索系统
World File Search SystemDomain
通过自监督学习和领域自适应实现雷达信号识别
摘要 — 自动雷达信号识别 (RSR) 在电子战 (EW) 中起着关键作用，因为准确分类雷达信号对于为决策过程提供信息至关重要。深度学习的最新进展显示出在具有大量注释数据的领域中提高 RSR 性能的巨大潜力。然而，这些方法在注释 RF 数据稀缺或难以获得的 EW 场景中就显得不足了。为了应对这些挑战，我们引入了一种自监督学习 (SSL) 方法，该方法利用掩蔽信号建模和 RF 域自适应来增强 RF 样本和标签有限的环境中的 RSR 性能。具体而言，我们研究了对来自不同 RF 域的基带同相和正交 (I/Q) 信号进行预训练掩蔽自动编码器 (MAE)，然后将学习到的表示转移到注释数据有限的雷达域。实证结果表明，与不使用 SSL 的基线相比，我们的轻量级自监督 ResNet 模型在域内信号（即雷达信号）上进行预训练时，1 次分类准确率可提高 17.5%，在域外信号（即通信信号）上进行预训练时，1 次分类准确率可提高 16.31%。我们还为几种 MAE 设计和预训练策略提供了参考结果，为少样本雷达信号分类建立了新的基准。索引术语 — 少样本、雷达信号识别、域自适应、自监督学习、掩蔽自动编码器
视觉语言模型作为空间领域的操作员代理
本文探讨了视觉语言模型 (VLM) 作为操作代理在太空领域的应用，重点关注软件和硬件操作范例。基于大型语言模型 (LLM) 及其多模态扩展的进步，我们研究了 VLM 如何增强太空任务中的自主控制和决策。在软件环境中，我们在 Kerbal 太空计划差分博弈 (KSPDG) 模拟环境中使用 VLM，使代理能够解释图形用户界面的视觉屏幕截图以执行复杂的轨道机动。在硬件环境中，我们将 VLM 与配备摄像头的机器人系统集成在一起，以检查和诊断物理空间物体，例如卫星。我们的结果表明，VLM 可以有效地处理视觉和文本数据以生成适合上下文的操作，在模拟任务中与传统方法和非多模态 LLM 竞争，并在实际应用中显示出良好的前景。
基于区块链的空间领域感知
摘要 — 随着太空活动的迅速扩展和太空垃圾的不断积累，空间领域感知 (SDA) 已成为维持安全太空行动的关键。本文提出了一种使用卫星群和区块链的去中心化解决方案，其中卫星（节点）充当验证者和批准者的角色，以安全地验证和存储碎片跟踪数据。我们的模拟表明，网络在约 30 个节点的情况下实现最佳性能，平衡吞吐量和响应时间稳定在 4.37 秒。这些结果表明，可以通过将大型网络分离为较小的自主群来有效地管理它们，每个群都针对特定任务进行了优化。此外，我们将去中心化群架构的性能与完全共享角色模型的性能进行了比较，并表明当角色分离时，可扩展性和响应时间显着改善。索引术语 — 空间领域感知、区块链、分布式账本、安全
2024-2025域安全报告
全球企业依靠Internet来完成所有事物 - 网站，电子邮件，身份验证，IP上的语音（VoIP），客户端门户，供应商应用程序等。这是组织外部攻击表面的一部分，需要对网络犯罪和欺诈行为进行连续监控。随着网络风险继续增加，组织和网络保险公司在量化其伤害能力方面面临更大的挑战。这意味着域名是组织网络安全姿势的关键要素，因为互联网和域名对于商业基础架构和连续性至关重要。
WIPO域名纠纷案件编号D2024-4344
行政小组决定Michelios 3和Amexio诉Domain Manager，Eweb Development Inc案号D2024-4344 1。当事方申诉人是法国的Michelios 3（“第一申诉人”）和法国Amexio（“第二个申诉人”），以法国法律（法律法语）为代表。受访者是加拿大Eweb Development Inc的域名经理，由加拿大Muscovitch Law Law代表。2。域名和注册服务域争议域名已在Alpine Domains Inc.（“注册商”）注册。3。程序历史记录于2024年10月22日向WIPO仲裁和调解中心（“中心”）提出投诉。2024年10月25日，通过电子邮件发送给注册商的中心与有争议的域名有关的注册商验证请求。2024年10月28日，通过电子邮件发送给中心的注册服务商证实了被调查者被列为注册人并提供联系方式。中心验证投诉是否满足了统一域名争议解决政策的正式要求（“策略”或“ UDRP”），统一域名命名争议解决政策的规则（“规则”）以及WIPO的统一域名补充规则，规定了统一域名命名争议解决政策（“补充规则”）。根据规则，第2段和第4段，中心正式通知被告申诉，诉讼于2024年10月30日开始。根据规则第5段，最初的响应日期为2024年11月19日。根据被告根据规则第5（b）款的要求，响应的到期日延长至2024年11月23日。响应于2024年11月20日向中心提交。中心被任命为Matthew Kennedy，JérômeHuet和Jeffrey Neuman作为2024年12月13日此事的行政小组。小组发现它是正确构成的。该小组已根据中心的要求提交了公正和独立性的接受声明和宣言，以确保遵守规则，第7段。
用户反馈可提高电子健康领域网络攻击检测人工智能系统的性能
在电子医疗领域，保护患者远程监护系统至关重要，以确保患者遵循临床路径，不受任何外部入侵。特别是人工智能 (AI) 和机器学习 (ML) 已成为信息安全的关键技术，因为它们能够快速分析数百万个事件并识别许多不同类型的威胁。入侵分析人员利用先前知识发现与事件相关的事件并了解其发生的原因，从而推断安全漏洞的背景 [1]。尽管已经开发出提供可视化技术并最大限度地减少人机交互以简化分析过程的安全工具，但人们对人性化解释安全事件的关注却太少。仅仅报告网络攻击不足以让医疗保健机构
域内不变的特征学习脑中的MR成像用于基于内容的图像检索
进行大规模研究以从多个设施中收集大脑MR图像时，在每个站点的成像设备和协议中的差异的影响不容忽视，并且近年来，该域间隙已成为一个重要的问题。在这项研究中，我们提出了一种称为样式编码器对抗域的适应（SE-ADA）的新的低维表示（LDR）施加方法，以实现基于内容的图像检索（CBIR）的大脑MR图像。se-ADA通过将特异性信息与LDR分开，并使用对抗性学习来最大程度地减少域差异，从而减少了域差异。在评估实验中，将SE-ADA与八个公共大脑MR数据集（ADNI1/2/3，OASIS1/2/3/4，ppmi）进行比较的域进行了比较，SE-ADA有效地删除了域信息，同时保留了原始大脑结构的关键方面并证明了最高疾病搜索的准确性。
AI现在是国家AGS和企业的领域，应注意
Hile人工智能（AI）以某种形式存在数十年，即生成AI，AI系统创建新内容的能力，直到最近才爆炸到公共领域，并成为全球经济中的强大力量。生成的AI为企业提供了无数的机会，以有效且具有成本效益的方式改善产品，流程和分析。自然，大量公司都接受了这项有用的技术。但是，那些确实必须意识到随之而来的陷阱，包括监管暴露。国家通常用作监管实验室，包括最著名的州检察长（AGS）在内的国家监管机构正在越来越多地将注意力转向潜在的危险，因为AI扩散。尽管目前很少有专门针对AI的州法律，但AGS表示现有的隐私和消费者保护法可以涵盖AI使用。具体来说，AG执行的先验是包括AI系统如何处理个人认同信息，AI在促进欺诈中的作用以及偏见和歧视的潜力
指导视觉模型选择跨任务，域和知识类型的视觉提问
视觉提问（VQA）是用户体验的关键，尤其是在改善视觉语言模型（VLMS）的概括能力之后。但在实际设置中使用标准化框架评估应用程序要求的VLM仍然具有挑战性。本文旨在使用端到端框架解决该问题。我们提出VQA360 - 一种源自估计的VQA基准测试的新型数据集，该数据集用任务类型，应用程序域和知识类型注释，以进行全面评估。我们还引入了Goeval，这是一种使用GPT-4O开发的多模式评估度量，与Human判断相关系数为56.71％。我们使用状态VLMS的实验表明，没有任何单个模型都普遍擅长，因此，将正确的选择成为关键的设计决策。专有模型（例如Gemini-1.5-Pro和GPT-4O-Mini）通常优于其他模型，但是诸如InternVL-2-8B和COGVLM-2-LALAMA-3-19B之类的开源模型也表现出竞争优势，同时提供了其他优势。我们的框架工作也可以扩展到其他任务1。
Lukas Fischer、Lisa Ehrlinger、Verena Geist、Rudolf Ramler、Florian Sobieczky 等人。将人工智能应用于实践：关键挑战和经验教训。第四届机器学习和知识提取国际跨领域会议 (CD-MAKE)，2020 年 8 月，爱尔兰都柏林。第 451-471 页，�10.1007/978-3-030-57321-8_25�。�hal-03414730�
缺乏置信度度量：最先进的深度学习方法的另一个特点是缺乏置信度度量。与基于贝叶斯的机器学习方法相比，大多数深度学习模型不提供模型不确定性的合理置信度度量。例如，在分类模型中，顶层（主要是 softmax 输出）中获得的概率向量通常被解释为模型置信度，参见 [26] 或 [35]。然而，像 softmax 这样的函数可能会导致对远离训练数据的点进行不合理的高置信度外推，从而提供一种虚假的安全感 [39]。因此，尝试将贝叶斯方法也引入 DNN 模型似乎是很自然的。由此产生的不确定性度量（或同义的置信度度量）依赖于给定数据权重的后验分布的近似值。作为此背景下的一种有前途的方法，变分技术（例如基于 Monte Carlo dropout [27]）允许将这些贝叶斯概念转化为计算上可处理的算法。变分方法依赖于 Kullback-Leibler 散度来测量分布之间的差异。因此，所得的近似分布集中在单一模式周围，低估了该模式之外的不确定性。因此，对于给定实例的结果置信度度量仍然不令人满意，并且可能仍然存在误解高置信度的区域。