XiaoMi-AI文件搜索系统
World File Search SystemNet
区块链和人工智能在 6G 物联网网络中实现协作入侵检测
摘要 —6G 技术的出现为物联网 (IoT) 的空前进步铺平了道路，开创了超连接和无处不在的通信时代。然而，随着 6G 物联网生态系统中互联设备的激增，恶意入侵和新网络威胁的风险变得更加突出。此外，人工智能融入 6G 网络带来了额外的安全问题，例如对抗性攻击人工智能模型的风险以及人工智能可能被滥用于网络威胁。因此，在 6G 环境中，保护广泛而多样的连接设备是一个巨大的挑战，需要重新考虑以前的安全传统方法。本文旨在通过提出一种依赖于人工智能和区块链技术的新型协作入侵检测系统 (CIDS) 来应对这些挑战。所提出的 CIDS 的协作性质促进了一种集体防御方法，其中物联网网络中的节点主动共享威胁情报，从而实现快速响应和缓解。通过全面的模拟和概念验证实验评估了所提系统的有效性。结果表明，该系统能够有效检测和缓解伪造和零日攻击，从而加强 6G 物联网环境的安全基础设施。索引术语 —AI、区块链、6G 网络、安全、协作入侵检测、零日攻击、安全
用于识别药物再利用的网络医学框架
1 美国东北大学网络科学研究所和物理系，马萨诸塞州波士顿 02115；2 美国哈佛医学院布莱根妇女医院医学系钱宁网络医学分部，马萨诸塞州波士顿 02115；3 美国哈佛大学生物医学信息学系，马萨诸塞州波士顿 02115；4 美国哈佛大学哈佛数据科学计划，马萨诸塞州剑桥 02138。5 Scipher Medicine，221 Crescent St, Suite 103A，马萨诸塞州沃尔瑟姆 02453；6 美国东北大学物理系，马萨诸塞州波士顿 02115；7 萨班哲大学工程与自然科学学院，土耳其伊斯坦布尔 34956；8 美国马萨诸塞州波士顿大学 NEIDL 微生物学系；9 美国马萨诸塞州波士顿哈佛医学院布莱根妇女医院医学系10 匈牙利布达佩斯 1051，中欧大学网络与数据科学系。 * 这些作者的贡献相同
Alwasiti , HHA 和 Yusoff , MZ 2022, '使用深度卷积神经网络和 Mixup 进行脑机接口的运动意象分类
摘要 — 目标：构建一个可以在单个受试者的小型 EEG 训练集上进行训练的 DL 模型提出了一个有趣的挑战，这项工作正试图解决这一挑战。具体来说，本研究试图避免长时间的 EEG 数据收集过程，并且不组合多个受试者的训练数据集，因为这会对分类性能产生不利影响，因为受试者之间的个体间差异很大。方法：使用大约 120 次 EEG 试验对定制的具有混合增强功能的卷积神经网络进行训练，每个模型仅针对一个受试者。结果：经过修改的具有混合增强功能的 ResNet18 和 DenseNet121 模型分别实现了 0.920（95% 置信区间：0.908,0.933）和 0.933（95% 置信区间：0.922,0.945）的分类准确率。结论：我们表明，尽管本研究使用的训练数据集有限，但与同一数据集上先前研究中的其他 DL 分类器相比，设计的分类器具有更高的分类性能。
5G-V2X和网络安全的教师发展计划
信息安全教育和意识（ISEA）第3阶段项目是一项旗舰计划，旨在增强印度的网络安全能力。由电子和信息技术部（MEITY）率领，该项目着重于通过教育，技能发展和研究计划来增强国家的网络安全姿势。ISEA第三阶段的建立在其先前阶段的成功基础上，通过促进学术行业合作，促进利益相关者的认识，并在信息安全方面接受高级培训，以解决网络安全格局的日益增长的挑战。该计划强调在安全编码，加密，网络安全和IoT和AI等新兴技术等领域的能力建设。通过其整体方法，ISEA III期渴望创建一个安全的数字生态系统，并确保国家抵抗不断发展的网络威胁的弹性。通过其整体方法，ISEA III期渴望创建一个安全的数字生态系统，并确保国家抵抗不断发展的网络威胁的弹性。
通过图卷积和可逆神经网络对潜在空间中的点云进行去噪
点云经常包含噪声和异常值，为下游应用带来障碍。在本文中，我们介绍了一种新颖的点云去噪方法。通过利用潜在空间，我们明确地发现噪声成分，从而可以提取干净的潜在代码。这反过来又有助于通过逆变换恢复干净点。我们网络中的一个关键组件是一个新的多层图卷积网络，用于捕获从局部到全局各个尺度的丰富几何结构特征。然后将这些特征集成到可逆神经网络中，该网络双射映射潜在空间，以指导噪声解缠结过程。此外，我们使用可逆单调算子来模拟变换过程，有效地增强了集成几何特征的表示。这种增强使我们的网络能够通过将噪声因素和潜在代码中的内在干净点投影到单独的通道上来精确区分它们。定性和定量评估均表明，我们的方法在各种噪声水平下都优于最先进的方法。源代码可在 https://github.com/yanbiao1/PD-LTS 获得。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。
Vision 2030：在2030年之前建造零碳ISLINGTON
商业，企业和工业战略部（BEIS）出版的最新数据表明，2018年伊斯灵顿作为自治市镇的碳排放量为679,589吨，自2005年以来降低了42％。在2018/19年度，理事会直接控制的建筑物和车队的年度碳排放量约为27,000吨。，尽管理事会自己的碳足迹不到自治市镇总数的4％，但我们认为，理事会在使用一系列技术，措施和权力方面处于强大的地位，可以影响自治市镇的碳减少。
海报：GSIT：用于车辆网络中层次证书管理的几何空间信息树
摘要 - 这项工作介绍了几何空间信息树（GSIT），这是一个新颖的框架，通过将超平面分配给实体并降低下属节点的维度来构建层次关系。框架中的成员通过内部产品计算进行验证，简化执行步骤，同时跨越不同深度的层次结构进行身份验证。GSIT利用超平面的几何特性有效地编码和管理分层信息。它适用于车辆网络公共密钥基础架构（PKI），增强隐私保护，化名证书管理和多级可追溯性。此方法为管理安全的通信系统中的复杂层次结构提供了可扩展且灵活的解决方案。