XiaoMi-AI文件搜索系统
World File Search SystemGRU
英国金融制裁目标综合清单
出生日期：1990 年 11 月 15 日。出生地：库尔斯克 国籍：俄罗斯 职位：军事情报官员 其他信息：（英国制裁名单编号）：CYB0010。（英国理由陈述）：Dmitry Sergevey Badin 参与了针对德国联邦议会 (Deutscher Bundestag) 的网络攻击，影响重大。作为俄罗斯联邦武装部队 (GRU) 俄罗斯总参谋部第 85 特种技术总中心 (GTsSS) 的军事情报官员，Dmitry Badin 是俄罗斯军事情报官员团队的一员，该团队于 2015 年 4 月和 5 月对德国联邦议会 (Deutscher Bundestag) 进行了网络攻击。这次网络攻击针对的是议会的信息系统，并影响了其运行数天。大量数据被盗，多名议员以及德国总理安格拉·默克尔的电子邮件账户受到影响。(性别)：男性 列入名单日期：2020 年 10 月 23 日 英国制裁名单 指定日期：2020 年 12 月 31 日 最后更新：2020 年 12 月 31 日 组 ID：13983。2.姓名 6：BENDERSKIY 1：EDUARD 2：VITALEVICH 3：n/a 4：n/a 5：n/a。
英国金融制裁目标综合清单
出生日期：1990 年 11 月 15 日。出生地：库尔斯克 国籍：俄罗斯 职位：军事情报官员 其他信息：（英国制裁名单编号）：CYB0010。（英国理由陈述）：Dmitry Sergevey Badin 参与了针对德国联邦议会 (Deutscher Bundestag) 的网络攻击，影响重大。作为俄罗斯联邦武装部队 (GRU) 俄罗斯总参谋部第 85 特种技术总中心 (GTsSS) 的军事情报官员，Dmitry Badin 是俄罗斯军事情报官员团队的一员，该团队于 2015 年 4 月和 5 月对德国联邦议会 (Deutscher Bundestag) 进行了网络攻击。这次网络攻击针对的是议会的信息系统，并影响了其运行数天。大量数据被盗，多名议员以及德国总理安格拉·默克尔的电子邮件账户受到影响。(性别)：男性 列入名单日期：2020 年 10 月 23 日 英国制裁名单 指定日期：2020 年 12 月 31 日 最后更新：2020 年 12 月 31 日 组 ID：13983。2.姓名 6：BENDERSKIY 1：EDUARD 2：VITALEVICH 3：n/a 4：n/a 5：n/a。
英国金融制裁目标综合清单
出生日期：1990 年 11 月 15 日。出生地：库尔斯克 国籍：俄罗斯 职位：军事情报官员 其他信息：（英国制裁名单编号）：CYB0010。（英国理由陈述）：Dmitry Sergevey Badin 参与了针对德国联邦议会 (Deutscher Bundestag) 的网络攻击，影响重大。作为俄罗斯联邦武装部队 (GRU) 俄罗斯总参谋部第 85 特种技术总中心 (GTsSS) 的军事情报官员，Dmitry Badin 是俄罗斯军事情报官员团队的一员，该团队于 2015 年 4 月和 5 月对德国联邦议会 (Deutscher Bundestag) 进行了网络攻击。这次网络攻击针对的是议会的信息系统，并影响了其运行数天。大量数据被盗，多名议员以及德国总理安格拉·默克尔的电子邮件账户受到影响。(性别)：男性 列入名单日期：2020 年 10 月 23 日 英国制裁名单 指定日期：2020 年 12 月 31 日 最后更新：2020 年 12 月 31 日 组 ID：13983。2.姓名 6：BENDERSKIY 1：EDUARD 2：VITALEVICH 3：n/a 4：n/a 5：n/a。
重新思考内部语音解码的方法和算法——并使其可重复
摘要：本研究重点关注使用非侵入性方法（例如脑电图 (EEG)）自动解码内部语音。虽然内部语音已成为哲学 2 和心理学半个世纪以来的研究课题，但最近人们尝试使用各种脑机接口解码非语音口语 3 单词。现有工作的主要缺点是可重复性以及数据和代码的可用性。在这项工作中，我们研究了各种方法（使用 5 卷积神经网络 (CNN)、门控循环单元 (GRU)、长短期记忆 6 网络 (LSTM)）在公开可用的 EEG 数据集上检测 5 元音 6 单词。 7 这项工作的主要贡献是（1）主题相关与主题无关的方法，（2）8 不同预处理步骤（独立成分分析 (ICA)、下采样 9 和滤波）的影响，以及（3）词分类（我们在公开可用的数据集上实现了最先进的性能）。总体而言，我们使用调整后的 iSpeech-CNN 12 架构在公开可用的数据集中分别对 11 5 个元音和 6 个单词进行分类时，性能准确率达到 35.20% 和 29.21%。我们所有的代码和处理后的数据都是公开的，以确保可重复性。因此，这项工作有助于更深入地理解和重复内部语音检测领域的实验。15
重新思考内部语音解码的方法和算法并使其可重现
摘要：本研究重点关注使用脑电图 (EEG) 等非侵入性方法自动解码内部语音。虽然内部语音半个世纪以来一直是哲学和心理学的研究课题，但最近人们尝试使用各种脑机接口来解码非语音口语单词。现有工作的主要缺点是可重复性以及数据和代码的可用性。在本研究中，我们研究了各种方法（使用卷积神经网络 (CNN)、门控循环单元 (GRU)、长短期记忆网络 (LSTM)）在公开的 EEG 数据集上检测五个元音和六个单词。这项工作的主要贡献是（1）受试者相关与受试者独立的方法，（2）不同预处理步骤（独立成分分析 (ICA)、下采样和滤波）的影响，以及（3）词分类（我们在公开的数据集上实现了最先进的性能）。总体而言，使用我们调整后的 iSpeech-CNN 架构，我们在公开数据集中对五个元音和六个单词进行分类时分别实现了 35.20% 和 29.21% 的性能准确率。我们所有的代码和处理后的数据都是公开的，以确保可重复性。因此，这项工作有助于更深入地理解和重复内部语音检测领域的实验。
mlregtest：普通语言的机器学习基准
由形式语言构建的合成数据集允许对序列分类的机器学习系统的学习和泛化功能进行细粒度检查。本文在序列分类中为机器学习系统提供了一个新的基准，称为MLREGTEST，其中包含来自1,800种普通语言的培训，开发和测试集。不同种类的形式语言代表了不同种类的长距离依赖，并且正确识别序列中的长距离依赖性是ML系统成功概括的已知挑战。mlregtest根据其逻辑复杂性（Monadic的二阶，第一顺序，命题或受限命题）及其逻辑文字（字符串，层，弦，弦，子序列或组合）的种类组织语言。逻辑上的复杂性和文字选择提供了一种系统的方式来理解普通语言中不同种类的长距离依赖性，因此可以理解不同的ML系统的能力，以学习这种长距离依赖的依赖。最后，检查了不同神经网络（简单的RNN，LSTM，Gru，Trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans-trans）的性能。主要的结论是，性能在很大程度上取决于测试集，语言类别和神经网络体系结构。
使用P4和深度学习R. Mohammadifar*，R。Javidan，R。
这项研究解决了在切片间切换过程中确保5G及以上（6G）网络（6G）网络的挑战（DDOS）。提出了基于P4可编程开关和门控复发单元（GRU）算法的混合模型，以高准确性和低延迟来检测和预测此类攻击。p4可以实时提取钥匙质量服务（QOS）参数，包括数据包损耗率，延迟和优先级，用于有效的交通分析和攻击检测。所提出的模型达到了DDOS检测准确性为98.63％，灵敏度为98.53％，F1得分为98.58％，同时预测合法切片的精度为98.7％。误报率（FPR）降低到小于2.1％，检测和决策制定的总系统延迟保持在350毫秒以下，使其适用于诸如URLLC之类的延迟敏感应用程序。可伸缩性测试表明，该系统的检测准确性超过90％，延迟少于500毫秒，最多15个开关和4个切片，即使在较高的交通负载下也是如此。这项研究突出了将深度学习与P4相结合以增强高级网络中的安全性和可扩展性的有效性，从而为下一代网络安全提供了强大的框架。
基于集成驱动程序的推理和深度强化学习
随着自主驾驶技术的继续发展并逐渐成为现实，确保在复杂的交通情况下自动驾驶的安全已成为当前研究中的重点和挑战。无模型的深钢筋学习（深度强化学习）方法已被广泛用于解决复杂的交通情况下的运动计划问题，因为它们可以隐含地学习车辆之间的互动。但是，基于深度强化学习的当前规划方法表现出lim的鲁棒性和泛化性能。他们努力适应培训方案以外的交通状况，并面临困难处理因意外情况而引起的不确定性。因此，本文解决了综合交通情况所带来的挑战，例如无信号交叉点。首先利用在这些情况下观察到的相邻车辆的历史轨迹来做到这一点。通过基于门控复发单元（GRU）复发性神经网络的变量自动编码器（VAE），它提取了驱动程序样式功能。然后将这些驱动程序样式功能与其他状态参数集成在一起，并用于在扩展强化学习框架内训练运动计划策略。这种方法最终产生了一种更健壮和可解释的中期运动计划方法。实验结果证实，在复杂的传统方案中，提出的方法可实现低碰撞率，高效率和成功完成任务。
预测欧洲城市的城市热岛
与农村环境相比，持续的城市化以及人为的全球变暖，并将增加城市地区的土地表面温度和空气温度异常，从而导致城市热岛（UHI）。uhi构成了环境和健康风险，影响了人类健康的心理和生理方面。因此，使用考虑形态变量的深度学习方法，本研究预测了从2007年到2021年69个欧洲城市的UHI强度，并且在2050年和2080年影响UHI影响。该研究采用人工神经网络，深度神经网络和封闭式复发单元，将高分辨率3D城市模型与环境数据相结合以分析UHI趋势。结果表明，城市形式，天气模式和UHI强度之间的牢固关联，强调了对定制的城市规划和政策措施的需求，以减少UHI影响并促进可持续的城市环境。这项研究增强了对UHI动态的理解，并成为城市规划师和政策制定者应对气候变化，城市化和空气污染的挑战的宝贵工具，最终有助于改善健康成果并建立能源消耗。此外，该方法有效地证明了GRU将其分数与UHI预测联系起来的能力，从而为潜在的健康影响提供了重要的见解。