-
神经哨兵:一种基于准量子爬山优化的深度特征选择系统,用于稳健的物联网-元宇宙入侵检测
• Neural Sentinels 采用深度学习和 QQHO 算法用于 IoT-Metaverse 环境的入侵检测。
• 在 CIC-IoT-2023 数据集上,该系统对暴力破解和 Mirai 等攻击达到了 100% 的检测准确率。
• 在 ToN-IoT 数据集上,该系统
来源:Knowledge-Based Systems
时间:2026-09-28
-
用于鲁棒长期时间序列预测的周期性感知正则化频率插值
摘要
长期时间序列预测需要对反映系统演化的全局变化和捕捉细粒度波动的局部变化进行单独建模。然而,由于强耦合效应和有限的感受野,经典分解方法往往无法解耦这些组件,同时也缺乏关于截止频率选择和残差正则化的原则性指导。为了解决这些局限性,我们提出了带周期感知正则化的频率插值(FIP
来源:Knowledge-Based Systems
时间:2026-09-28
-
治理未被定价的风险:市场未能将空间集中的地震风险资本化时的土地利用政策框架
•伊斯坦布尔的房屋售价与租金并未将预期地震死亡率资本化。
•未被定价的风险在空间上高度集中,由此形成一种隐蔽的系统性风险敞口。
•一种2×2分类框架按价格信号与空间集中度两个维度对各类风险加以归类。
•该框架分四个层次,以监管手段替代缺失的价格信号。
•集群尺度的更新、双市场
来源:Land Use Policy
时间:2026-09-28
-
基于拉普拉斯扩散模型的低光图像增强
摘要:扩散模型在图像复原领域取得了显著的成功;然而,它们面临着快速采样能力不足、推理时间长以及在极低光场景下细节恢复不充分等挑战。为了解决这些问题,本研究提出了基于拉普拉斯的多分量扩散模型(LMCDM),这是一种将拉普拉斯分解与基于拉普拉斯的条件扩散模型(LCDM)相结合的新
来源:Knowledge-Based Systems
时间:2026-09-28
-
FAME-DA:面向多模态命名实体识别的频率感知调制专家与双重仿射
**摘要** 多模态命名实体识别(MNER)旨在整合文本和视觉信息,以在社交媒体等多模态场景中准确地识别实体边界和类别。现有的基于模态融合的方法缓解了图像利用不足和文本过拟合问题。然而,仍面临两个局限:第一,缺乏对跨模态表示的细粒度语义增强,导致类别混淆和边界不连续;第二,缺
来源:Knowledge-Based Systems
时间:2026-09-28
-
RFF-Net:一种用于AI生成图像鉴别的鲁棒频率-噪声融合网络
• RFF-Net通过验证频率-噪声一致性来进行AI生成图像检测。
• DPFE学习空间对齐的方向性频谱与多尺度噪声流特征。
• CPCM产生可解释的差异图和全局不一致分数。
• 经过打乱的CPCM证实了空间对齐的跨域验证带来的性能提升。
• 在多个公开基准上展示了强
来源:Knowledge-Based Systems
时间:2026-09-28
-
基于判别性表示学习的跨区域多尺度网络用于运动想象EEG解码
- 多尺度特征由轻量级全局上下文块自适应精化。
- 交叉缝合单元使中央分支和顶叶分支之间实现可学习的共享。
- 区域级监督、联合决策和度量损失有助于MI-EEG解码。
- CrossDMNet在四个公共数据集上通过比较和消融实验进行验证。
引言
脑-机接口(BCI)在脑与
来源:Knowledge-Based Systems
时间:2026-09-28
-
NIDW:一种基于牛顿插值的事后级联多通道文本水印框架
•提出了一种事后级联文本水印框架。•牛顿插值实现了局部坐标同步。•双通道架构提高了文本受损情况下的鲁棒性。•该方法明确区分了同义词替换和释义改写。•大量实验证明该方法在多种攻击下均具有鲁棒性。引言以 GPT-4 [1] 和 Llama-2 [2] 等范式性模型为代表的大语言模
来源:Knowledge-Based Systems
时间:2026-09-28
-
面向双视角X射线违禁品识别的共识感知跨视角精炼与融合
摘要双视图 X 光扫描仪提供同一受检物品的互补图像,帮助安检人员识别可能在单一投影中被遮挡或模糊不清的违禁品。然而,现有的双视图模型通常交换信息并结合预测,而不考虑两个视图是相互支持还是相互矛盾。这可能削弱正确的证据,或放大来自单一视图的错误但高置信度的预测。为了解决这一局限
来源:Knowledge-Based Systems
时间:2026-09-28
-
H2SOC:面向多智能体强化学习的层级异构自组织协作
用于多智能体强化学习(MARL)中动态自组织协作分组的新型H2SOC框架。我们方法有效性和原则性设计的理论分析。由新型HMF近似支持的异构任务分布式执行。与基于CTDE的价值分解方法实现无缝插拔式集成。在具有挑战性的基准环境中达到最先进性能。引言 协作式多智能体强化学习(MA
来源:Knowledge-Based Systems
时间:2026-09-28