XiaoMi-AI文件搜索系统
World File Search SystemKDD
KDDI和J-Power签署了用于陆上风电场可再生能源的虚拟PPA，将促进电信业务中的脱碳化
2024年5月，KDDI为KDDI集团建立了四个环境目标，包括在2040财年结束时达到零净排放，以加速向脱碳社会的转变。目标之一是“ KDDI旨在从可再生能源中采用的50％以上的电力，”该协议是实现这一目标的努力的一部分。KDDI将继续通过各种举措来实现脱碳的社会。J-Power一直在开发各种可再生能源业务，成为可再生能源的领导者，包括水力发电，风能，地热力和太阳能以来，自成立以来。J-Power将通过利用其可再生能源方面的专业知识来促进发展，并通过通过包括虚拟PPA在内的各种销售方法来满足客户的需求，从而有助于实现碳中立性。
2024 年 7 月 11 日 KDD 经济影响.pdf
肯塔基双倍美元是社区农场联盟的旗舰项目，该项目向低收入人群提供经济激励，使他们能够在农贸市场、社区市场和零售店购买新鲜的肯塔基州种植的食品。
使用 i-GONAD 生成 Flag/DYKDDDDK 表位标签敲入小鼠，可检测内源性 CaMKII 和蛋白质
摘要：特异性抗体对于蛋白质复合物的细胞和组织表达、生化和功能分析必不可少。然而，制备特异性抗体通常费时费力。将内源性蛋白质的表位标记在适当的位置可以克服这个问题。在这里，我们使用 AlphaFold2 蛋白质结构预测研究了表位标签位置，并结合 CRISPR-Cas9 基因组编辑和电穿孔 (i-GONAD) 开发了 Flag/DYKDDDDK 标签敲入 CaMKII α 和 CaMKII β 小鼠。使用 i-GONAD，可以将长达 200 bp 的小片段插入目标基因的基因组中，从而实现高效便捷的小表位标记。使用市售的抗 Flag 抗体进行实验，可以通过蛋白质印迹、免疫沉淀和免疫组织化学轻松检测内源性 CaMKII α 和 β 蛋白。我们的数据表明，通过 i-GONAD 生成 Flag/DYKDDDDK 标签敲入小鼠是一种有用且方便的选择，特别是在没有特定抗体的情况下。
ACM KDD AI4Cyber/MLHat：人工智能赋能研讨会
联邦资助机构和行业实体正在寻求创新方法来应对日益严重的网络安全危机。越来越多的网络安全思想领袖表示，人工智能 (AI) 支持的分析可以帮助解决关键的网络安全任务并部署防御。本次半天研讨会与 ACM KDD 共同举办，旨在从学术界和从业者那里获得对网络安全应用和可部署防御解决方案的人工智能支持分析各个方面的重大研究贡献。本次研讨会是 2021 年人工智能支持的网络安全分析和 2021 年安全防御可部署机器学习国际研讨会的联合研讨会。因此，我们成立了一个跨学科计划委员会，在人工智能、网络安全和/或可部署防御的各个方面拥有丰富的经验。
凯迪拉克KDDM-2.2
› 测量更快速：给定计量流量，传感器可立即检测到压差 › 模块化兼容性 › 无需流量稳定部分 › 污染敏感性更低 › 无需复杂的旁路结构 › 免维护结构 › 紧凑设计
ACM 参考格式：Erik Hemberg 和 Una-May O'Reilly。2021 年。使用整理的网络安全数据集进行机器学习和人工智能。在 ACM KDD AI4Cyber：KDD'21 上第一届人工智能网络安全分析研讨会，2021 年 8 月 14 日至 18 日，虚拟。ACM，美国纽约州纽约，5 页。https://doi.org/10.1145/nnnnnnn.nnnnnnn
有时彼此之间有外部链接。在这里，我们展示了如何使用单个数据集 BRON 1 ，该数据集支持行为级别的 AI 建模和 ML 推理，见图 1，方法是使用一组合并的关键公共威胁和漏洞信息源。BRON 在 [11] 中有完整描述。不幸的是，公共威胁和漏洞信息是从历史攻击中提取的，例如高级持续性威胁 (APT)。事后，APT 被分类和定义为特定行为者追求目标的行为，构成具有特定策略、技术和程序的威胁。攻击目标被列为硬件或软件漏洞或暴露，有时它们本身会交叉引用到代码、设计或系统架构中发现的某种弱点。攻击模式是手动识别和枚举的。根据其类型，每个信息单元都填充为特定数据库的条目，并进行一定程度的交叉引用。组合数据库之间具有不规则的成对链接，可用于防御推理。本文展示了将四个公共数据库的数据合并成一个图形数据库 BRON [11] 的用途。这四个数据库分别是：
Microsoft Word - FantasyFootball-KDD-DLP-Sports-cameraready.docx
摘要 梦幻体育让球迷可以管理自己喜欢的运动员组成的球队，并与朋友和其他经理竞争。梦幻平台将运动员在现实世界中的统计表现与梦幻得分相结合，其受欢迎程度稳步上升，2018 年至 2019 年期间，每月估计有 910 万玩家在 ESPN Fantasy Football 平台上花费了 77 亿分钟，球员卡片浏览量达 44 亿次。与此同时，体育媒体界制作了幻想体育范围内和范围外的新闻报道、博客、论坛帖子、推文、视频、播客和观点文章。然而，人类幻想足球玩家无法消化和总结数十亿字节的自然语言文本和多媒体数据来做出阵容决定。在我们的系统出现之前，幻想经理依靠专家预测及其对平均 3.9 个信息源的分析来做出阵容决定。虽然这些专家擅长根据传统统计数据评估球员，但他们忽略了大部分可用于评估的数据。我们的工作讨论并展示了一种新颖的（正在申请专利的）机器学习管道的结果，该管道可以有效地管理 ESPN Fantasy Football 团队。每天将经过训练的统计实体检测器和 document2vector 模型应用于超过 50,000 个新闻来源和 230 万篇文章、视频和播客，使系统能够理解自然语言，类比测试准确率为 100%，关键字测试准确率为 80%。接下来，98 层深的深度学习前馈神经网络提供球员分类，例如球员是否会失败、爆发、带伤上场或发挥有意义的作用，累计准确率为 72%，真实世界分布率为 12%。最后，多元回归集成接受深度学习输出和 ESPN 投影数据，为 2018 年排名前 500 的梦幻足球球员中的每一个提供点投影。点投影保持了 6.78 个点的均方根误差。接下来，从适合当前预测和历史得分的 24 个概率密度函数中选出最佳的函数来
摘要尽管网络攻击对网络安全的各个方面做出了重大贡献，但不幸的是，网络攻击仍然呈上升趋势。越来越多的国际公认实体，例如美国国家科学基金会和美国国家科学技术委员会，已经注意到人工智能可以帮助分析数十亿个日志文件、暗网数据、恶意软件和其他数据源，以帮助执行基本的网络安全任务。我们举办第 1 届人工智能网络安全分析研讨会 (半天；与 ACM KDD 同一地点举行) 的目标是聚集学术界和从业者，贡献有关人工智能网络安全分析的最新研究。我们组建了一个优秀的跨学科计划委员会，该委员会在人工智能网络安全分析的各个方面拥有丰富的专业知识，以评估提交的工作。在 CTI、漏洞评估和恶意软件分析等领域为半天研讨会做出了重大贡献。
摘要 尽管对网络安全的各个方面做出了重大贡献，但网络攻击仍然令人遗憾地呈上升趋势。越来越多的国际公认实体（如美国国家科学基金会和美国国家科学技术委员会）注意到人工智能可以帮助分析数十亿个日志文件、暗网数据、恶意软件和其他数据源，以帮助执行基本的网络安全任务。我们举办第一届人工智能网络安全分析研讨会（半天；与 ACM KDD 同地举办）的目标是聚集学术界和从业者，为人工智能网络安全分析的最新工作做出贡献。我们组建了一个优秀的跨学科计划委员会，该委员会在人工智能网络安全分析的各个方面拥有丰富的专业知识，以评估提交的工作。在 CTI、漏洞评估和恶意软件分析领域为半天研讨会做出了重大贡献。