XiaoMi-AI文件搜索系统
World File Search System近实时
第 2 阶段：Deepfake 缓解措施 - 国土安全部
Deepfakes 是一种合成媒体，通常使用人工智能/机器学习 (AI/ML) 生成，呈现从未发生过的事件的可信且逼真的视频、图片、音频或文本。在我们工作的第二阶段，我们以第一阶段的研究结果为基础，并在三个用例中为组织、立法和监管方法提供了更深入的建议，以应对迫在眉睫的 Deepfakes 身份威胁。第一个用例涉及创作者、所有者和直接用户（如依赖这些内容的媒体组织、非政府组织 (NGO)、执法和法律机构）提供的内容。第二个用例涉及在广播环境中传播的内容，其中社交媒体平台和新闻组织可能被用作传播虚假、误导和最终有害信息的载体，产生不同程度的广泛影响。第三个用例涉及与实时或现场场景相关的内容，用于身份验证和验证，以启用和提供服务和产品。这些场景中的交互的实时或近实时性质使得图像、视频和音频内容尤为重要。我们评估了这些用例，并制定了一个通用的打击深度伪造的框架（包括相关清单），并针对该框架的五个方面提出了未来工作的建议：制定政策和支持立法；识别 Deepfa
机器学习和结构健康监测概述...
摘要 传统的损伤检测技术正逐渐被最先进的智能监测和决策解决方案所取代。结构健康监测 (SHM) 系统中的近实时和在线损伤评估是一种有希望的过渡，可以弥合过去应用效率低下与未来新兴技术之间的差距。在智能城市、物联网 (IoT) 和大数据分析时代，数据驱动的民用基础设施监测框架的复杂性尚未完全成熟。因此，机器学习 (ML) 算法提供了必要的工具来增强 SHM 系统的功能并为过去的挑战提供智能解决方案。本文旨在阐明和回顾现代 SHM 系统中涉及的 ML 前沿。本文提供了 ML 管道的详细分析，并在补充表格和图中总结了需求量大的方法和算法。通过物联网范式连接基础设施中关键信息的无处不在的感知和大数据处理是 SHM 系统的未来。随着这些数字技术的进步，考虑到下一代 SHM 和 ML 的结合，本文详细讨论了 (1) 移动设备辅助、(2) 无人机、(3) 虚拟/增强现实和 (4) 数字孪生领域的最新突破。最后，本文探讨了 SHM-ML 结合的当前和未来挑战以及未解决的研究问题
![arxiv：2501.07447v1 [cs.lg] 2025年1月13日](/simg/g:\will\search\icon\source\b\bd85019652740d4af0b81f6cf8e79131ce64fb19.webp)
arxiv：2501.07447v1 [cs.lg] 2025年1月13日
世界气象组织（WMO）最近的一份报告强调，与水有关的灾害在过去50年中造成了自然灾害的最高人类损失，其中91％以上的死亡发生在低收入国家。这种差异很大程度上是由于缺乏足够的地面监测站，例如天气监测雷达（WSR），这些障碍雷达（WSR）的安装昂贵。对于外观，尽管美国和欧洲的共有600 WSR，尽管它们的房地产近一半，但少于40。为了解决这个问题，基于卫星的观察结果提供了全球，近实时的监视解决方案。但是，他们面临着几个挑战，例如准确，偏见和空间分辨率低。这项研究利用扩散模型和残留学习的力量，将这些局限性在统一的框架中构成。我们引入了第一个扩散模型，以纠正不同降水产物之间的不一致模型。我们的方法降低了从10 km到1 km的降压卫星沉淀估计的有效性。在西雅图地区进行的广泛经验表明，准确性，降低降低和空间细节方面有显着提高。重要的是，我们的方法仅使用降水数据来实现这些结果，展示了纯粹的基于相同视力的方法来增强卫星沉淀产品的潜力，并为该领域的进一步发展铺平了道路。
基于支持向量机的空气动力学设计与仿真...
俗称，是设想中的城市空中交通 (UAM) 空中交通概念 [1] 的一部分。目前，大量无人机被用于各种应用，从军事（反恐行动、目标定位）到民用（运输、监视）、工业监测、救灾（损害评估）和农业服务。这个未来概念的一部分仍然需要深入研究，那就是大量无人机的着陆。自主无人机着陆可能是控制它最具挑战性的部分，因为控制器必须生成轨迹，不仅要降低功耗，还要承受困难、不稳定的空气动力学，至少要检测着陆点 [2]。能够为大量无人机到某个着陆区生成着陆序列的控制器需求量很大，这引起了我们的兴趣，并引起了我们在这个方向进行研究。已经做了大量工作 [1]、[2]，但目前的设计仍然面临灵活性和可扩展性等挑战。文献中没有太多涉及大量无人机的灵活和可扩展着陆计划，尽管研究报告简要讨论了它以及其他设计挑战。[1] 中提出的模型由于复杂的数学计算需要较长的处理时间而存在可扩展性问题，因此在需要近实时使用的实际应用中受到限制。这部分计算可以用于机器学习进行训练、模拟、在工作环境中测试，最后在实际应用中实现。文献中已经报道了大量涉及无人机进行物体跟踪和其他应用的工作。鼓励读者参考 [2]-[4]。
本扎伊德，查菲卡； Taleb、Tarik 5G 后网络人工智能
5G 及更高级别的网络有望实现超低延迟、超高吞吐量、超高可靠性、超低能耗和大规模连接。实现这些承诺将为一系列新应用铺平道路，包括自动驾驶、工业 4.0、增强现实和虚拟现实、协作游戏、近实时远程手术和远程传送。然而，未来网络中设想的服务/应用的多样性和不断增长的联网设备数量将带来新的、越来越广泛的网络威胁，带来安全和隐私风险 [1]。因此，必须建立有效和可持续的安全措施，以应对 5G 及其后续技术中不断变化的威胁形势和安全要求，以便充分利用它们的好处。考虑到漏洞数量不断增加、网络威胁日益复杂、流量巨大以及将塑造下一代无线网络的多样化技术（例如 SDN、NFV）和服务，对传统安全管理方法的依赖可能已不够，需要重新考虑以应对这一充满挑战的环境。一个有希望的方向是采用人工智能 (AI) 来实现智能、自适应和自主的安全管理，从而能够及时且经济高效地检测和缓解安全威胁。事实上，人工智能有可能从大量随时间变化的多维数据中发现隐藏的模式，并提供更快、更准确的决策。为了响应将人工智能（尤其是机器学习 (ML)）集成到电信网络中的趋势，ITU-T 未来网络机器学习焦点组 1 包括
新冠疫情应对措施实施中的经验教训：以南苏丹和塞拉利昂为例
简介：COVID-19 疫情给全球以及卫生系统本来就薄弱的国家的卫生系统造成了严重破坏。我们可以吸取一些经验教训，以更好地应对未来的公共卫生突发事件，但关于脆弱国家最佳做法的记录却很少。我们介绍了南苏丹和塞拉利昂在实施 COVID-19 应对措施过程中的经验教训。方法：我们对 2020 年至 2022 年期间南苏丹和塞拉利昂在国家和地方层面实施 COVID-19 疫苗接种的情况进行了回顾性描述性分析，以确定对公共卫生产生积极影响的做法。结果：我们发现，有几项干预措施不仅改善了 COVID-19 疫情，而且对常规免疫接种也产生了积极影响。近实时疫苗接种仪表板的开发使利益相关者可以快速了解疫苗实施情况，从而让他们能够根据当前数据做出决策。部署 COVID-19 仪表板所获得的经验已应用于南苏丹常规免疫仪表板的开发。激增的疫苗接种是提高 COVID-19 疫苗接种率的有效方法。在疫情初期行动受限期间开展了一场麻疹反应运动；从这项工作中获得的经验随后被应用于 COVID-19 大规模疫苗接种计划和疫情反应运动。为应对 COVID-19 而招募的其他疫苗接种员也接受了全面的免疫实践培训，使他们能够在接种 COVID-19 疫苗的同时提供常规儿童疫苗接种，为维持两国的常规疫苗接种服务做出了贡献。结论：在实施 COVID-19 应对措施期间吸取的经验教训对常规卫生服务产生了积极影响。然而，必须保持和进一步完善这些影响，以加强该国对未来公共卫生突发事件的应对能力，并更好地支持更广泛的免疫服务提供。
基于卫星的气候数据记录表面太阳辐射
摘要。从太阳到达地球表面的能量量对于气候系统和可再生能源应用非常重要。SARAH-3 (SurfAce Radiation DAtaset Heliosat, https://doi.org/10.5676/EUM_SAF_CM/SARAH/V003, Pfeifroth et al., 2023) is a new version of a satellite- based climate data record of surface solar radiation parameters, generated and distributed by the European Or- ganisation of Meteorological Satellites （Eumetsat）气候监测卫星应用程序（CM SAF）。Sarah-3提供了1983年以来的数据，即超过40年的数据，空间分辨率为0.05°×0.05°，时间分辨率为30分钟，每天和每月的平均值（每月均值为65°W至65°E和65°E和65°S至65°N）。sarah-3由七个参数组成：表面辐照度，直接辐照度，直接辐照度，阳光持续时间，日光，光合作用的活性率和有效的云反照率。Sarah-3 1983年至2020年之间的数据已通过稳定的输入数据生成（即卫星和辅助数据），以确保较高的时间稳定性；这些数据通过操作近实时处理（所谓的临时气候数据记录）在时间上扩展。数据记录适用于从气候监测到可再生能源的各种应用。Sarah-3的验证表现出良好的准确性（偏离约5 W m-2的偏差与每月表面辐照度的表面参考测量值的偏差），数据记录的稳定性以及对其前身SARAH-2.1的进一步改善。这种提高质量的原因之一是对算法中积雪覆盖的表面进行了新的处理，从而减少了雪的错误分类。SARAH-3数据记录显示，近几十年来，欧洲的表面辐照度增加（〜+ 3 w m-2），这与表面观察结果一致。
基于统计和人工智能的联网汽车虚假信息网络攻击检测模型的有效性
由于联网汽车与其他联网汽车和联网基础设施具有外部连接性，因此很容易受到网络攻击，这些攻击可能会立即危及车辆本身以及其他联网汽车和道路基础设施的安全。虚假信息攻击就是这样一种网络攻击，外部攻击者向联网汽车注入不准确的信息，最终可能通过危及前方碰撞警告等安全关键应用而造成灾难性后果。此类攻击事件的发生和目标可能非常动态，使得实时和近实时检测具有挑战性。变化点模型可用于实时检测由虚假信息攻击引起的异常。在本文中，我们评估了三种基于变化点的统计模型：期望最大化、累积求和和贝叶斯在线变化点算法，用于检测 CV 数据中的网络攻击。此外，数据驱动的人工智能 (AI) 模型可用于检测数据集中已知和未知的潜在模式，具有检测 CV 数据中实时异常的潜力。我们使用了六种人工智能模型来检测虚假信息攻击，并将检测攻击的性能与我们开发的变更点模型进行了比较。我们的研究表明，与人工智能模型相比，变更点模型在实时虚假信息攻击检测方面表现更好。变更点模型具有无需训练的优势，可以成为联网汽车中检测虚假信息攻击的人工智能模型的可行且计算效率高的替代方案。
最佳云分析 (OCA) 第 1 版产品用户指南
最佳云分析 (OCA) 算法最初是在 1997 年授予卢瑟福阿普尔顿实验室 (RAL) 的一项研究中开发的，并于 2001 年编码为原型系统。该算法由 EUMETSAT 进一步开发，旨在提供 Meteosat 第二代 (MSG) 旋转增强可见光和红外成像仪 (SEVIRI) 仪器的 Day-2 产品。最新版本的操作算法允许识别多层云情况并检索双层场景的云属性 (Watts 等人，2011)。OCA 还提供了由最佳估计方法得出的不确定性的估计。自 2013 年 6 月以来，OCA 产品已作为演示产品以全重复周期 (15 分钟) 频率进行操作生成。OCA 检索到的云属性包括云顶压力、云光学厚度和云有效半径。OCA 算法已针对气候数据记录处理进行了轻微调整。调整主要在于使用不同的输入，因为用于近实时 (NRT) 的输入不适用于重新处理（云掩模、晴空反射图），并且在整个时间段内也不均匀（重新分析）。验证报告 (EUMETSAT, 2021) 中提供了 NRT 和 CDR 产品之间的差异。OCA Release 1 气候数据记录 (CDR) 涵盖了从 2004 年到 2019 年的 MSG 观测期，提供了均匀的云属性时间序列，它将 NRT 产品的时间延长了 9 年多。OCA Release 1 计划用作生成新的大气运动矢量 (AMV) CDR 的输入，并可能包括风矢量高度的不确定性估计。
城市元宇宙的基本发展要素......
将组织、生活、流程、数据和事物整合成一个具体的、连贯的结构——信息物理系统 (CPS)，以开发一个协同的、更智能的互联地球 [3]。建立信息物理系统的主要目标可以概括为：i）以综合协同的方式整合分布式服务和资源；ii）改善现有的公共服务，提供新的有效的以公民为中心、用户驱动和需求导向的服务；iii）使用易于使用的可视化工具监控城市；iv）为最终用户提供近乎实时的服务和/或进一步的智能驱动；v）通过优化服务提高可持续性；vi）改善公民的生活和生计；vii）推动经济发展、创新和全球城市投资竞争力 [3]。读者可以参考 [3] 了解涉及通信网络的信息物理系统的技术基础设施以及有关现实世界信息物理系统用例的更多信息。综上所述，实现正确感知和适当自主驱动的主要层面包括：i）与所有利益相关者的严格接触，ii）边缘物联网设备和公民通过使用复杂的通信技术利用大量近实时数据来收集数据并与环境智能交互，iii）边缘/雾平台，iv）涉及云端的云平台，以及v）不仅在自身内部而且与国家和全球智能域集成。 智能域的主要智能元素如图 1 A.2 所示。 [3] 中也阐述了将智能域（图 1 A.1）纳入其中以创建协同实施的其他智能域，从而为发展一组智能域以及智能州和智能国家打开大门。 DT 的发展是建立智能域不可或缺的一部分。