一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性,但其中大多数集中在基于深度学习的分类器上。与它们不同,本文更加关注浅层分类器,由于它们的成熟度和实现的简单性,它们仍然广泛用于基于 ML 的 IDS。更详细地,我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性,包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络,以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外,我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明,攻击对所有分类器的影响并不相同,分类器的稳健性取决于攻击,并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。
造血干细胞的碱基编辑挽救了小鼠的镰状细胞病 Gregory A. Newby 1,2,3,12 , Jonathan S. Yen 4,12 *, Kaitly J. Woodard 4,12 , Thiyagaraj Mayuranathan 4,12 , Cicera R. Lazzarotto 4 , Yichao Li 4 , Heather Sheppard-Tillman 5 , Shaina N. Porter 5 , Yu Yao 4 , Kalin Mayberry 4 , Kelcee A. Everette 1,2,3 , Yoonjeong Jang 4 , Christopher J. Podracky 1,2,3 , Elizabeth Thaman 7 , Christophe Lechauve 4 , Akshay Sharma 8 , Jordana M. Henderson 9 , Michelle F. Richter 1,2,3 , Kevin T. Zhao 1,2,3 , Shannon M. Miller 1,2,3 , Tina Wang 1,2,3 , Luke W. Koblan 1,2,3 , Anton P. McCaffrey 9 , John F. Tisdale 10 , Theodosia A. Kalfa 6,11 , Shondra M. Pruett-Miller 5 , Shengdar Q. Tsai 4 , Mitchell J. Weiss 4 *, David R. Liu 1,2,3 *
ClémentBrochet,Laure Raynaud,Nicolas Thome,Matthieu Plu,ClémentRambour。具有生成对抗网络的公里尺度数值天气预测的多元仿真:概念证明。地球系统的人工智能,2023,2(4),10.1175/aies-d-23- 0006.1。Meteo-044438969
César Lima 是里斯本大学学院心理学系的终身副教授。他的研究重点是音乐、声音交流和情感的心理学和神经科学(MUVE 实验室)。它结合实验心理学和认知神经科学的方法来解决各个年龄段的健康人、专业群体(例如音乐家)和临床人群(例如患有神经系统疾病)中的这些问题。她在同行评审期刊上发表了 50 多篇文章,包括《情绪评论》、《大脑皮层》、《大脑》、《当代生物学》、《神经科学趋势》、《自然评论神经科学》和《心理学年鉴》。 César Lima 是《科学报告》(神经科学类别)和《皇家学会开放科学》(心理学和认知神经科学类别)期刊的编辑委员会成员。他曾应邀审阅《心理学公报》、《美国心理学家》或《自然人类行为》等期刊的文章,以及利华休姆信托、皇家学会、捷克科学基金会、瑞士国家科学基金会和荷兰研究委员会的研究项目。在加入 Iscte 之前,César Lima 在波尔图大学获得心理学博士学位 (2011 年),曾在伦敦大学学院认知神经科学研究所担任博士后研究员 (2012-2016 年),并根据 FCT 研究员计划回到波尔图大学担任助理研究员 (2016-2017 年)。他作为首席研究员的工作得到了英国科学院和科学技术基金会的资助。在 ISCTE,他教授认知心理学和神经科学课程。他还是情感科学硕士项目的主任。
。CC-BY-NC-ND 4.0 国际许可证(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2025 年 1 月 29 日发布。;https://doi.org/10.1101/2025.01.29.635600 doi:bioRxiv 预印本
1 南特大学医院颌面外科系,法国 44000 南特 2 CRCI2NA-南特-昂热癌症和免疫学研究中心,法国 44000 南特 3 图卢兹癌症生物库,图卢兹大学医院 IUCT Oncopole,法国 31100 图卢兹 4 UMR1246 SPHERE(以患者为中心的结果和健康研究方法),南特大学,法国 44000 南特 5 蒂莫内医院病理学系,法国 13005 马赛 6 里尔大学医院病理学系,法国 59000 里尔 7 南锡大学医院病理学系,法国 54000 南锡 8 科钦医院病理学系,法国 75014 巴黎 9 图尔大学医院病理学系,法国 37000 图尔 10南特大学医院骨科,44000 南特,法国 * 通讯地址:helios.bertin@chu-nantes.fr;电话:+33-(0)2-40-08-36-79;传真:+33-(0)2-40-08-36-68
由美国国家心血管研究中心 (CNIC) 的 David Sancho 领导的研究描述了肠道通透性增加如何使微生物群中的细菌穿过肠道屏障并到达骨髓,然后在骨髓中诱导产生免疫细胞的干细胞发生变化。细菌会导致免疫细胞发生表观遗传变化,即在不改变基因 DNA 序列的情况下控制基因活动的修饰。这些表观遗传变化产生了“训练有素的”免疫细胞,能够更有效地应对未来的感染。然而,这种加剧反应的能力也可能导致炎症疾病(如心血管或神经退行性疾病)的增加。 《免疫》杂志发表的研究强调了一种由先天免疫细胞表达的蛋白质 Mincle 在这一过程中发挥的关键作用。这项研究是与 José Luis Subiza(Inmunotek SL,阿尔卡拉德埃纳雷斯)、Carlos del Fresno(IdiPaz,马德里)、Salvador Iborra(马德里康普顿斯大学)和 Juan Duarte(格拉纳达大学)的研究团队合作进行的。
大脑是控制和协调的执行器。当颅骨出现病变时,可能会对大脑生理产生退化、变形和不稳定的影响。然而,其主要后果可能因人而异。在这种情况下,肿瘤是一种特殊的病理,它会使脑实质永久变形。从转化角度来看,变形力学和压力,特别是肿瘤所致大脑的颅内脑压 (ICP),在文献中尚未得到全面解决。这是神经病变预后中一个重要的研究领域。为了解决这个问题,我们旨在在本研究中解决肿瘤脑中的压力之谜,并提出一种相当可行的方法。使用基于图像的有限元建模,我们重建了肿瘤脑并探测由此产生的变形和压力 (ICP)。肿瘤是通过将体素区域均匀扩大 16 和 30 毫米来生长的。总共研究了三个病例,包括肿瘤的现有阶段。还提供了由于脑室区域内流动而产生的脑脊液压力,以使模型在解剖学上逼真。对获得的结果进行比较,明确表明,随着肿瘤区域的面积和尺寸增加,变形模式发生了广泛变化并扩散到整个脑体积,肿瘤附近的集中度更高。其次,我们得出结论,颅骨内的 ICP 压力确实大幅增加;然而,它们仍然低于
a University of Clermont Auvergne, Human Nutrition Unit, INRAe, CRNH Auvergne, Clermont-Ferrand, France b CHU Clermont-Ferrand, Clinical Nutrition Department, Clermont-Ferrand, France c CHU Clermont-Ferrand, Biostatistics Unit, Clermont-Ferrand, France d Department of Geriatrics, First Faculty of Medicine, Charles University捷克共和国e护理科学研究所,格拉兹医科大学,格拉斯,奥地利,奥地利,外科和健康科学系,捷克共和国e护理科学研究所,意大利Trieste,Y CAJAL(IRYCIS),马德里,西班牙H Y CAJAL(IRYCIS)中心,阿姆斯特丹公共卫生研究所,VU大学,营养与饮食学系,荷兰阿姆斯特丹
ptarun@ieee.org摘要半导体制造业在很大程度上取决于历史数据以进行过程优化,预测性建模和数字双胞胎创建。但是,由于设备升级,过程更改和有限的数据收集等各种因素,获得全面的历史数据集可能具有挑战性。生成的对抗网络(GAN)已通过生成与现实世界分布的合成数据,成为对此问题的有希望的解决方案。这项研究探讨了gan在半导体制造设施中生成历史数据的应用。我们讨论了数据质量的重要性,建模复杂的Fab操作中的挑战以及维护数据隐私的需求。我们还检查了适用于时间序列数据生成的专业gan体系结构,用于处理不同数据类型的多模式gans以及用于捕获设备,过程和范围范围范围指标之间关系的层次结构gan。还讨论了GAN生成数据在FAB模拟,预测性维护和过程优化中的培训方法,评估指标以及潜在的应用。此外,我们解决了有关综合数据,潜在偏见和计算要求的可靠性的担忧。最后,我们重点介绍了未来的研究方向,包括将gan与其他AI技术集成在一起,以及在整个Fab设施中创建数字双胞胎的可能性。虽然仍然存在挑战,但GAN提出了一种有希望的途径,可以通过改进的预测性建模和数字化双胞胎创建来增强半导体制造。关键字:半导体制造,生成对抗网络(GAN),历史数据,合成数据生成,预测性建模,数字双胞胎,层次模型,工厂模拟中,半导体制造行业在很大程度上依赖于历史数据,以优化历史数据,并提高产量,并维持质量控制[1]。这些数据对于开发预测模型,识别趋势并就生产参数做出明智的决策至关重要[2]。但是,获得全面的历史数据可能具有挑战性,因为过去的设备升级,过程更改或有限的数据收集等各种因素。有限或缺失的历史数据为半导体制造商带来了重大障碍。没有足够的数据,很难训练准确的机器学习模型,执行强大的统计分析或建立可靠的基准进行绩效评估。缺乏数据会阻碍过程