XiaoMi-AI文件搜索系统
World File Search System检测性能
无监督的算法检测零日攻击
摘要在过去的十年中，研究人员，从业人员和公司努力制定机制来检测网络安全威胁。除其他努力中，这些努力是基于规则的，基于签名的基于签名或监督的机器学习（ML）算法，这些算法被证明有效地检测已经遇到和表征的那些侵犯。取而代之的是，新的未知威胁通常称为零日攻击或零周日，可能未发现，因为这些技术通常会被这些技术误解。近年来，无监督的异常检测算法显示出检测零周的潜力。然而，对无监督异常检测算法的定量分析的专门支持仍然很少，并且通常不会促进元学习，这有可能提高分类性能。在这样的程度上，本文介绍了零周期的问题，并审查了无监督的算法检测。然后，本文采用了提问方法来确定对零日检测进行定量分析的典型问题，并显示了如何使用适当的工具设置和行使无监督的算法。使用最新的攻击数据集，我们对i）特征对无监督算法的检测性能的影响，ii）评估入侵探测器的相关指标，iii）均需比较多个无用的算法，iiv），iv）iv算法，iv）iv）应用元学习的应用以减少错误分类的应用。最终，v）我们测量相对于零周的无监督异常检测算法的检测性能。总的来说，本文典型地说明了如何实际编排和应用适当的方法，过程和工具，甚至提供了非专家，以选择适当的策略来处理零日。
超越信心：自主系统感知的双阈值共形预测中的自适应弃权
摘要 - 安全至关重要的感知系统都需要可靠的不确定性量化和原则上的弃权机械，以在不同的操作条件下保持安全性。我们提出了一个新颖的双阈值共形框架，该框架可提供统计保证的不确定性估计，同时在高风险场景中实现选择性预测。我们的ap-proch唯一结合了共形阈值，以确保有效的预测集和通过ROC分析优化的弃用阈值，从而提供无分布的覆盖范围保证（≥1-α），同时识别不可靠的预测。通过对CIFAR-100，ImagEnet1k和ModelNet40数据集进行全面评估，我们在不同的环境扰动下展示了跨摄像头和激光痛的较高鲁棒性。该框架在严重的条件下达到了出色的检测性能（AUC：0.993→0.995），同时保持高覆盖率（> 90.0％），并实现适应性弃权（13.5％→63.4％±0.5），作为环境严重程度。对于基于激光雷达的感知，我们的方法表现出特别强大的表现，保持了强大的共识（> 84.5％），同时适当弃权不可靠的预测。值得注意的是，该框架在重扰动下显示出显着的稳定性，检测性能（AUC：0.995±0.001）在所有模式中的现有方法都显着超过现有方法。我们的统一方法弥合了理论保证和实际部署需求之间的差距，为在挑战性的现实世界中运行的安全至关重要的自主系统提供了强有力的解决方案。代码可在https://github.com/divake/conformal预测基于传感器的信任可达检测
通过脑电图检测微睡眠状态
摘要 微睡眠是指意识短暂丧失，完全停止工作。它们是许多需要持续注意力的交通领域（尤其是驾驶）发生致命事故的原因。使用无线 EEG 电极的微睡眠警告装置可用于将用户从即将发生的微睡眠中唤醒。高维数据集（尤其是在基于 EEG 的分类中）带来了挑战，因为通常存在大量潜在有用的特征来检测感兴趣的现象。因此，在训练分类器之前降低原始数据的维度通常很重要。在本研究中，将线性降维方法——主成分分析 (PCA) 和概率 PCA (PPCA)——与八种非线性降维方法（核 PCA、经典多维缩放、等距映射、最近邻估计、随机邻域嵌入、自动编码器、随机邻近嵌入和拉普拉斯特征图）进行了比较，这些数据来自八名健康、未睡眠不足的志愿者，他们执行了 1 小时的 1D 视觉运动跟踪任务。通过目视检查 3D 散点图上的类别分离、可信度得分以及基于堆叠泛化的线性判别分析 (LDA) 系统上的微睡眠检测性能来评估特征减少算法的有效性，该系统基于减少的特征估计 1 Hz 下的微睡眠/响应状态。在可信度方面，PPCA 优于 PCA，但 PCA 优于所有非线性技术。每种特征减少方法的可信度得分也与微睡眠状态检测性能密切相关，有力地验证了可信度在预测性能方面估计特征减少方法的相对有效性的能力，以及独立于黄金标准的能力。
使用机器学习的高级足球分析系统，
当今可用的高级实时对象检测算法。Yolov5在视频的每个帧中都可以检测各种对象，包括球员，裁判和足球本身。此检测步骤形成了系统的骨干，因为这些对象的准确识别对于跟踪和进一步分析至关重要。为了提高检测性能，该模型在特定于足球比赛的自定义数据集上进行了微调和培训，从而提高了其在动态环境中检测球员，球和其他相关对象的准确性。微调使模型可以学习足球场景的独特功能，例如统一的颜色，球运动和裁判定位，从而确保实时检测中更高的精度。2。通过深度学习模型跟踪：检测到对象后，下一步是跟踪其
在农业环境中实现颜色功能的有效对象检测
在各种计算机视觉应用中，例如监视系统，自动驾驶汽车和环境监测，对象检测是非常重要的组件。为了进行有效的分析并做出正确的决策，至关重要的是，具有在田园环境中既准确又有效的对象识别方法，这些方法的特征是动物的存在和其他事物。这项研究的目的是通过利用颜色特征极限学习机（参见ELM）提出一种独特的方法来快速识别田园景观中的物体。为了在保持计算效率的同时达到较高的对象检测性能，CF-ELM将颜色特性与ELM算法相结合。如实验结果所证明的那样，所提出的方法在田园环境中检测对象是成功且有效的。
一种新的GHz高速近红外的无冷的单光子检测器
本文介绍了在龙骨项目框架下开发的高速近红外单光子检测器（空间量子源分布的技术开发，ESA ARTES C＆G计划）。基于在Geiger模式下运行的GHz门控雪崩光电二极管，该检测器提供紧凑性，毛皮和冷却能力，无维护操作和高速单光子检测性能。这些高性能使其非常适合极低的光级检测应用，例如太空式量子通信，卫星激光范围，绕行空间碎片光学跟踪和远程激光雷达。本文详细介绍了系统的体系结构和性能指标，涵盖了量子效率，深度计数率，时间抖动，最大计数率，时间窗口宽度以及螺栓效率的概率。实质性增强。
动态管理方法和算法的回顾...
国防威胁降低局 (DTRA) 为对抗化学、生物、放射性、核武器和增强型常规 (CBRNE) 武器威胁的作战人员提供回溯支持。通过 DTRA 的回溯能力可获得的资产包括技术和专业知识。随着战术数据基础设施被越来越多的 CBRNE 检测系统使用，有机会通过远程处理和融合传感器数据以及对作战环境进行建模来提高防区外检测性能。DTRA 正在积极开发技术，以实现和支持未来的作战模式，其中战术通信基础设施从位于作战区域内和周围的 CBRN（和非 CBRN）传感器的异构网络实时传输数据以进行远程处理。相同的网络还可用于向作战人员提供响应，例如实时传感器任务和回溯能力的分析产品。
无损检测用超声波传感器
无损检测性能要求的演变是由质量要求的发展决定的。因此，这些技术的发展历史 [1] 以检查目标的演变为标志：20 世纪 60 年代的“零缺陷”目标在 20 世纪 70 年代被检测“关键缺陷”的目标所取代，随后在 20 世纪 70 年代至 80 年代又被提高缺陷可检测性的目标所取代。应该指出的是，无损检测 (NDE) 一词就是为这种缺陷表征的演变而发展起来的。20 世纪 80 年代至 90 年代，目标是对易老化的系统和结构进行持续和改进的无损检测。20 世纪 90 年代至 21 世纪，出现了对大面积检查的需求，需要通过结构健康监测 (SHM) 持续监测某些结构的健康状况，同时降低检查和其他评估的成本。
通过 HEK 293 T/17 细胞基因组编辑制备癌症基因面板中参考突变的标准细胞系
临床应用所谓的“癌症基因面板” [9,10] 对多种基因异常进行全面分析。与此同时，下一代测序仪（NGS）的应用也越来越普及，它有望成为实现人类癌症基因组医学的有用工具。但其临床应用必须确保多个基因序列数据的可靠性和灵敏度 [11,12]。但很难保证综合癌症基因面板中所有安装基因的突变检测性能。此类癌症面板测试包含多个步骤，包括样品制备、核酸提取、序列分析文库制备以及用于序列测定的硬件（NGS）和软件，很难确保所有步骤的有效性。因此，提倡使用标准材料来验证整个诊断系统的过程的标准方法 [13]。