XiaoMi-AI文件搜索系统
World File Search SystemStacking
结合机器学习算法以检测网络钓鱼网址：堆叠式方法H. Hamidi*，A。Sayah工业工程系，信息
随着数字技术的增长和互联网的越来越多，网络钓鱼攻击已成为最重要的安全威胁之一。这些攻击旨在访问敏感用户信息并造成财务和安全损失。准确，迅速检测到这些攻击已成为重大复杂性，已成为一个重大挑战。本文研究了用于检测网络钓鱼URL的机器学习模型的使用。对先前研究的综述表明，基本算法可以有效地检测这些攻击，但是它们具有局限性，例如处理复杂数据的能力较低。为提高准确性和性能，已经提出了混合算法结合多个模型以提高检测准确性。本研究中提出的模型是使用混合方法设计的，以解决基本算法的弱点并提高检测准确性。该混合模型利用极端的梯度提升和随机森林作为基本模型，并以逻辑回归为最终模型。该研究采用了标记的网络钓鱼和合法URL的数据集，其特征是从URL结构和行为中提取的特征来训练和评估模型。实验结果表明，与单独使用基本模型相比，所提出的杂种模型可以达到更高的精度和精度。该模型的应用可以有效地提高网络安全性并防止网络钓鱼攻击。
通过堆叠工程实现正交扭曲二维 CrSBr 磁体中的可编程磁滞。
扭转二维范德华磁体可以形成和控制不同的自旋纹理，如 skyrmion 或磁畴。除了旋转角度之外，还可以通过增加形成扭转范德华异质结构的磁层数量来设计不同的自旋反转过程。在这里，A 型反铁磁体 CrSBr 的原始单层和双层被视为构建块。通过将这些单元旋转 90 度，可以制造对称（单层/单层和双层/双层）和不对称（单层/双层）异质结构。磁输运特性显示出磁滞的出现，这在很大程度上取决于施加磁场的大小和方向，不仅由扭转角度决定，还由形成堆栈的层数决定。这种高可调性允许在零场下切换易失性和非易失性磁存储器，并根据需要控制在负场或正场值下突然磁反转过程的出现。根据微磁模拟的支持，基于层中发生的不同自旋切换过程合理化了现象学。结果强调了扭转角和层数的组合是设计扭转磁体中自旋切换反转的关键要素，这对于自旋电子器件的小型化和实现新型自旋纹理很有意义。
商用飞机堆叠和气候变化
在英国，空中交通的重组应优先考虑将二氧化碳排放量的减少优先于其他考虑因素。商业空中交通的到来应直接下降到距目的地跑道5英里处的点。在英国领空中不应偏离直飞飞行道路，而下降则不应没有水平飞行，在空降时堆叠或延迟的任何形式。显然，堆叠会产生不必要的二氧化碳以及其他化学和颗粒物污染1,2，但是，由于这些飞机正在使用襟翼和板条在低空处于温暖，高压和浓密的低海拔时在水平飞行中转3，所以它们在低效率下运行4。由于这些原因，堆叠飞机需要使用高功率设置，并且比在巡航高度5上产生更多的二氧化碳，噪声和其他污染物。一架大型堆叠飞机发出的二氧化碳与10个起动器房屋的冬季加热一样多，还有更多的噪音和污染。
使用
准时毕业对于学术成功，影响时间，成本和教育质量至关重要。Hang Tuah University Pekanbaru（UHTP）目前正在努力实现其准时毕业率75％的目标。这项研究介绍了一种使用机器学习技术的创新方法，尤其是与堆叠机器学习Optuna Smote（SMLOS）的合奏学习，以解决此问题。我们的主要目标是提高数据分类精度，以有效地预测学生毕业时间。我们采用算法，例如K-Nearest邻居（KNN），支持向量机（SVM），决策树（C4.5），随机森林（RF）和Naive Bayes（NB）。这些与元模型结合使用，包括逻辑回归（LR），Adaboost，XGBoost，LR+Adaboost和LR+XGBoost，以创建一个强大的预测模型。为了解决阶级失衡，我们应用了合成少数族裔超采样技术（SMOTE），并利用Optuna进行超参数调整。调查结果表明，使用Adaboost Meta模型的Smlos达到了95.50％的最高精度，超过了以前的模型的性能，平均含量约为85％。这种贡献证明了将SMOTE用于类不平衡和Optuna进行超参数优化的有效性。将此模型整合到UHTP的学术信息系统中，促进了对学生数据的实时监控和分析，为通过更准确的学生绩效预测提供了一种新颖的解决方案来促进智能校园。此技术不仅有益于预测学生毕业，还可以应用于各种机器学习任务以提高数据分类的准确性和稳定性。
π相间层间移位和kagome超导体CSV3SB5
堆叠自由度是调整材料特性的关键因素，并且已在分层材料中进行了广泛的研究。最近发现Kagome超导体CSV 3 SB 5在T CDW〜94 K下方显示出三维CDW相位。尽管对内平面调制进行了彻底的研究，但平面外调制仍然模棱两可。在这里，我们的极化和温度依赖性拉曼测量结果揭示了C 6旋转对称性的破坏，并且在大约120°的三个不同域的存在下，彼此之间存在三个不同的域。观察结果表明，CDW相可以自然解释为2C交错阶相，相邻层显示相对π相移。此外，我们在大约65 K处发现了一阶结构相变，这是由于堆叠断层而引起的堆叠顺序diSorder相变，并受到CS相关唱片模式的热磁滞行为的支持。我们的发现突出了CSV 3 SB 5中堆叠自由度的重要性，并提供了结构见解，以理解超导性和CDW之间的纠缠。
在Stata中堆叠概括和机器学习
面对新的预测或分类任务时，最明显的是哪种机器学习算法最适合。一种常见的方法是评估一组机器学习者在数据的保留分区或通过交叉验证的性能，然后选择最小化所选损失指标的机器学习者。但是，这种方法是不完整的，因为将多个学习者组合为一个最终预测可能会导致与每个学习者相比，可能会导致卓越的表现。这种可能性激发了堆积的概括，或者只是“堆叠”（参见Wolpert [1992]和Breiman [1996]）。堆叠是模型平均形式。Van der Laan，Polley和Hubbard（2007）的理论结果支持堆叠的使用，因为它至少是渐近的，并且只要基础学习者的数量不大。
大脑动力学的堆叠模型可以提高 fMRI 对受试者特征的预测
2 在 HMM-MAR MATLAB 工具箱和 glhmm Python 工具箱中，这由 'DirichletDiag'/'dirichlet_diag' 选项指定。3 𝐾= 6, 𝛿= 10 4 𝐾∈{3,6,9,12, 15},𝛿∈{10,100, 1000, 10000, 100000} 。有关详细信息，请参阅补充表 SI-3。
使用混合特征提取技术和集成的堆叠分类器
大脑计算界面（BCI）是一项导致神经疾病应用程序发展的技术。BCI建立了大脑与计算机系统之间的联系，主要集中于协助，增强或恢复人类的认知和感觉 - 运动功能。BCI技术使从人脑中获得脑电图（EEG）信号。这项研究集中于分析包括Wernicke和Broca领域在内的发音方面，以进行无声的语音识别。无声的语音界面（SSI）为依赖声信号的传统语音界面提供了一种替代方案。无声的语音是指在没有听觉和可理解的声学信号的情况下传达语音的过程。本研究的主要目的是提出用于音素分类的分类器模型。输入信号经过预处理，并使用传统方法（例如MEL频率CEPSTRUM系数（MFCC），MEL频率光谱系数（MFSC）和线性预测编码（LPC）进行特征提取。最佳功能的选择是基于对主题的分类精度，并使用集成堆栈分类器实现。集成的堆叠分类器优于其他传统分类器，在Karaone数据集中的思维和说话状态达到75％的平均准确性，在14个通道EEG EEG上的思维和说话状态的平均精度为84.2％和84.09％，用于IMIVENIDECENTECTIOM EEG（FEIS）。
过滤器和包装器堆叠合奏（FWSE）-Dr -ntu
Sugam Budhraja是新西兰奥克兰理工大学的博士生。他的背景是机器学习和软件开发。他的研究领域包括神经信息学，深度学习，自学学习和回声状态网络。Maryam Doborjeh获得了新西兰奥克兰理工大学的计算机科学博士学位。她目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的高级讲师。她的研究领域是神经信息学，尖峰神经网络，机器学习和大脑数据分析。巴尔卡兰·辛格（Balkaran Singh）是新西兰奥克兰理工大学的博士生。他的背景是计算机科学和应用统计。他的研究领域是在神经网络，持续学习，元学习和尖峰神经网络中的优化。塞缪尔·谭（Samuel Tan）是新加坡南南技术大学的博士生。他的背景是生物科学和统计。他的研究领域包括生物信息学，网络理论和邻里优化。Zohreh Doborjeh获得了博士学位。来自新西兰奥克兰技术大学的计算认知神经科学博士学位。她目前是新西兰奥克兰大学大脑研究中心的博士后研究员，也是新西兰威卡托大学心理学学院的讲师。她的研究领域是神经信息学，神经心理学，认知神经科学和人工智能。收到：2023年2月9日。埃德蒙德·莱（Edmund Lai）获得了西澳大利亚大学的电气工程博士学位。他目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的信息工程学教授。他的研究兴趣是数字信号处理，计算智能，多代理动力系统和优化。亚历山大·梅尔金（Alexander Merkin）在俄罗斯的社会和法医精神病学研究中心获得了精神病学博士学位。他目前是AUT大学中风与应用神经科学研究所的研究员，也是Aut University心理治疗与咨询系讲师。他的研究兴趣包括数字心理健康，人工智能，心理学，精神病学和认知神经科学。吉米·李（Jimmy Lee）获得了新加坡国立大学的基本医学学位。他是新加坡心理健康研究所的精神科医生和临床医生，也是南约技术大学Lee Kong Chian医学院的副教授。他的研究领域是精神病学，心理药理学，精神分裂症和基于AI的健康技术。Wilson Goh获得了英国伦敦帝国学院的生物信息学和计算系统生物学博士学位。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。 他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。尼古拉·卡萨博夫（Nikola Kasabov）获得了保加利亚索非亚技术大学的博士学位。他是新西兰奥克兰技术大学工程，计算和数学科学学院的Kedri的创始董事和知识工程教授。他在英国Ulster University，IICT保加利亚科学院和中国达利安大学担任教授职位。他的研究领域是计算智能，神经信息学，知识发现和尖峰神经网络，以及700多个出版物。修订：2023年9月18日。接受：2023年10月3日©作者2023。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com
使用基于堆栈的CNN-LSTM模型的先天性心脏病检测深度学习技术：一项试验研究
产前干预可以降低产后认真的冠心病患者的风险，但目前的诊断是基于定性标准，这可能导致临床医生之间的诊断差异。目的：使用深度学习模型检测患有低塑性左心脏综合征（HLHS）胎儿的心脏超声（US）视频的形态和时间变化。招募了一小部分健康和13名HLHS患者，并收集了三个妊娠时间点的超声视频。对视频进行了预处理并分段到心脏周期视频，并培训了五个不同的深度学习CNN-LSTM模型（Mobilenetv2，Resnet18，Resnet15，Resnet50，Densenet121和Googlelenet）。最佳表现的三个模型用于开发一种新型的堆叠CNN-LSTM模型，该模型是使用五倍的交叉验证对HLHS和健康患者进行分类的训练。堆叠CNN-LSTM模型的准确性，精度，敏感性，F1得分和90.5％，92.5％，92.5％，92.5％，92.5％和85％的精度，精度，敏感性，F1得分和特异性的准确性，精度，敏感性，F1得分和特异性分别优于其他预先训练的CNN-LSTM模型，分别是视频范围的分类以及90级分类和92。使用超声视频的主题分类分别为92.5％，92.5％和85％。这项研究表明，使用深度学习模型使用超声视频对CHD产前患者进行分类的潜力，该视频可以在临床环境中对疾病的客观评估进行分类。