XiaoMi-AI文件搜索系统
World File Search System用户信息
LSCMS-C访问控制表格
严格禁止未经授权的用法，分发，复制，修改或删除预期和批准的用户之外的任何最终用户信息。可以理解，这些是LSCMS-C系统角色基础用户帐户，并且只能用于完成供应链管理处理，以输入订单，运输，跟踪和监视与FEMA Logistics Management Sappordate（LMD）相关的资产和商品。
vcas作为伙伴还是仆人？信息敏感性和拟人化作用对隐私问题的影响
机器学习和自然语言处理的进步推动了虚拟会话剂（VCAS）的日益普及。这种拟人化通信方法依赖于VCAS的用户信息共享和实时反馈，并引起了隐私问题，同时影响了Teractions和Teractions和关系中的各种社交。先前关于减少用户隐私问题的研究主要集中在用户信息挖掘，敏感的用户信息请求和隐私政策上，而对人类机器社会层次结构的合作伙伴和仆人的拟人化角色知之甚少。因此，这项研究基于社会层面上的人类计算机互动（服务）拟人化，开发了一个框架，以研究信息敏感性和VCAS的拟人化作用的影响，包括伴侣和仆人，包括伴侣和仆人对用户的隐私问题，以及基于能力和基于综合的信任的中介作用。结果表明，当请求高度敏感的信息时，合作伙伴VCA的用户隐私问题比仆人VCA更大，反之亦然。与此同时，当VCA要求高度敏感的信息时，基于诚信的信任调解了仆人VCAS与隐私问题之间的关系，当VCA请求低敏性信息时，基于能力的信任调解了相同的关系。这些见解为经理提供了可行的影响。
利用脑信号更好地理解人类的阅读理解
阅读理解是一个复杂的认知过程，涉及许多人的大脑活动。然而，人们对阅读理解过程中人脑中发生了什么以及这些认知活动如何影响信息检索过程知之甚少。此外，随着脑电图（EEG）等脑成像技术的进步，可以几乎实时地收集脑信号并探索是否可以将其用作反馈以促进信息获取。在本文中，我们精心设计了一项基于实验室的用户研究，以调查阅读理解过程中的大脑活动。我们的研究结果表明，神经反应因不同类型的阅读内容而异，即可以满足用户信息需求的内容和不能满足用户信息需求的内容。我们认为，在阅读理解的微观时间尺度上，各种认知活动（例如认知负荷、语义主题理解和推理处理）支撑着这些神经反应。从这些发现中，我们为信息检索任务阐明了一些见解，例如排名模型构建和界面设计。此外，随着便携式EEG应用的出现，我们提出了为主动现实世界系统检测阅读理解状态的可能性。为此，我们提出了一个基于EEG的阅读理解建模统一框架（UERCM）。为了验证其有效性，我们基于EEG特征对两个阅读理解任务进行了广泛的实验：答案句子分类和答案提取。结果表明，利用脑信号提高这两项任务的表现是可行的。这些发现意味着脑信号是增强阅读理解过程中人机交互的宝贵反馈。
PhishCatcher：针对Web欺骗攻击的客户端防御
网络安全在维持个人用户信息（例如密码和PIN代码）的机密性和完整性方面面临着重大挑战。每天，数十亿用户会接触到请求敏感信息的假登录页面。有很多方法可以欺骗用户访问网站，例如网络钓鱼电子邮件，诱饵和开关广告，click插齿，恶意软件，SQL注入，会话劫持，中间人，中间人，拒绝服务和跨站点脚本攻击。Web欺骗或网络钓鱼是一种电子技巧，其中攻击者会创建合法网页的恶意副本，并请求个人用户信息（例如密码）。为了打击此类攻击，研究人员提出了几种安全策略，但它们遭受了延迟和准确性问题的困扰。为了克服此类问题，我们建议并开发一种基于机器学习技术的客户端防御机制，以检测伪造的网站并保护用户免于网络钓鱼攻击。作为概念证明，开发了一个名为PhishCatcher的Google Chrome扩展程序，该扩展名实现了机器学习算法以将URL归类为可疑或值得信赖。该算法采用四种不同类型的Web功能作为输入，并使用随机森林分类器来确定登录网页是否是假的。为了评估扩展的准确性和精度，在实际Web应用程序上进行了一些实验。实验结果表明，从400个分类的网络钓鱼URL和400个合法URL的实验中，实验的惊人精度为98.5％，精度为98.5％。PhishCatcher记录的平均响应时间仅为62.5毫秒。为测量工具的潜伏期，还进行了40多个网络钓鱼URL的实验。
Kama.AI 隐私政策
除非根据 Kama.AI 向儿童服务和警察机构报告的法律义务，否则不会披露用户信息。此外，Kama.AI 只会向相关机构或主要资助者发布有关其服务的汇总报告和数据。任何汇总数据的披露都必须去识别化，以将至少 20 人纳入数据集，从而大大降低重新识别的可能性。尽管 Kama.AI 可能会在某些列出的情况下共享数据，但我们不会故意共享带有污名或对任何团体或个人造成负面影响的数据。如果我们使用收集到的数据进行研究和出版工作，我们将根据加拿大三委员会《涉及人类的研究道德行为政策声明》（TCPS-2）寻求正式的研究伦理批准。
报告编号DODIG-2024-016
根据国防部指令 8521.01E，生物识别是基于可测量的解剖、生理或行为特征识别个人的过程。该指令将生物识别数据定义为在生物识别过程中创建的计算机数据。生物特征数据包括原始传感器观测值、生物特征样本、模型、模板和相似度得分。执行海外行动的军事单位使用生物特征识别在战场上遇到的个人，包括友军和其他协助美国的个人，并与其他单位和其他联邦机构共享此信息。生物特征数据用于描述在注册、验证或识别过程中收集的信息，但该术语不适用于最终用户信息，例如用户名、人口统计信息或授权。
使用生成模型（Gen-Recsys）对现代推荐系统的审查
传统推荐系统通常使用用户项目评级历史记录作为其主要数据源。但是，深层生成模式现在可以从复杂的数据分布中建模和采样，包括用户信息交互，文本，图像和视频，从而实现新颖的推荐任务。这项全面的多学科调查使用生成模型（Gen-Recsys），覆盖：相互作用驱动的Genertic模型连接Rs中的关键进步；使用大语模型（LLM）和文本数据用于自然语言建议；以及以Rs生成和处理图像/视频的多模型集成。我们的工作强调了评估Gen-Recsys的影响和危害并确定开放挑战的必要范例。此调查伴随着ACM KDD'24的教程，并提供了以下材料：https：//encr.pw/vdhlq。
匈牙利法案 - 卷。 21，不。 4（2024）
摘要：由于技术安全解决方案远非足以保护各种信息和通信系统，因此由于人为因素，有必要参与心理学家并将这个问题定义为跨学科的问题。经过验证的问卷可以是衡量用户信息安全意识，关于隐私问题的知识和在线行为中涉及的风险的好工具，因此基于这些问卷的经验研究得出的结论应该有助于设计教育培训计划。本文的目的既介绍了经过验证的行为认知互联网安全问卷，又证明了其适用于国际使用情况，以及有关通过其开发过程收集的信息和通信系统用户的一般结论。在这项研究中包括来自41个不同国家 /地区的参与者，而英语，克罗地亚，斯洛文尼亚语和匈牙利语言版本则使用了问卷。结果表明，开发的问卷可以在国际上使用和
在公路车辆故障援助上查找器-IJRPR
使用React Native，Flutter或Xamarin等框架，使用用户友好的界面，GPS跟踪和紧急SOS功能开发移动应用程序的实现涉及开发一个移动应用程序。后端API是使用node.js，django或Ruby在Rails上构建的，其数据库模式旨在存储用户信息，车辆数据和服务提供商详细信息。该应用程序与诸如Google Maps或Mapbox之类的映射服务以及Stripe，PayPal或Braintree等付款网关集成。服务提供商通过API开发集成，使他们能够接收请求，更新可用性和提供服务。该应用程序在App Store和Google Play商店部署前进行单元测试，集成测试和用户接受测试，并进行连续的监视和维护，以确保最佳性能。