本文描述了利用认证执行安全处理器（AESP）的想法，该处理器适合在无许可的区块链下构建满足Sybil-resistance要求的安全自我主权身份（SSI）系统。今天的情况要求人们更多地上网，这鼓励我们解决数字身份保护隐私问题。针对SSI的研究势头强劲，许多研究人员将区块链技术作为基础。SSI为自然人带来了各种好处，例如拥有控制权；另一方面，现实世界中的数字身份系统要求Sybil-resistance遵守反洗钱（AML）和其他需求。我们提案中的主要思想是利用AESP有三个原因：第一，使用经过认证的执行能力和防篡改能力，这是一个很强的假设；第二是强大和灵活，允许在一个安全的空间内执行各种开源程序，第三是在移动设备中配备硬件辅助安全已成为一种规范。Rafael Pass等人对AESP的形式化抽象和理想功能克att使我们能够从数学上阐述硬件辅助安全如何用于在无许可区块链下保护隐私的安全数字身份系统。我们提出的基于AESP的SSI架构和系统协议^{克自动变速箱}，演示了构建一个适当的SSI系统以满足Sybil抗药性要求的优势。协议可能会消除其他研究中假设的在线分布式委员会，例如CanDID，因为假设了AESP；因此，∏^{克自动变速箱}允许不依赖多方计算（MPC），与现有的SSI系统相比带来了极大的灵活性和效率。

紧急医疗服务（EMS）在医疗保健系统中发挥着至关重要的作用，从紧急呼叫开始到患者到达医疗机构，管理院前或院外紧急情况。设计高效的救护车位置模型对于提高存活率、控制发病率和预防残疾至关重要。经典模型中的关键因素通常包括出行时间、需求区域和车站数量。虽然城市EMS系统由于人口集中而受到了广泛的检查，但农村地区面临着明显的挑战。这包括较低的人口密度和较长的响应距离，由于人口分布稀疏、EMS站有限和旅行时间延长，导致死亡率较高。为了应对这些挑战，我们引入了一个新的数学模型，旨在优化覆盖率和公平性。我们模型的一个显著特点是在目标函数中整合了公平性，同时注重实际响应时间，包括个人防护装备程序所需的时间，确保模型在紧急响应场景中的适用性和现实性。我们使用一种定制的遗传算法来解决该问题，并提出一种贪婪算法来构造解。我们量身定制的遗传算法的实施承诺了高效的EMS解决方案，有可能提高农村社区的紧急护理和健康结果。

在本文中，我们提出了两种算法，B-N2N和B-N2S，分别用于解决双立方体中的点对点和点对集不相交路径问题。我们证明了它们的正确性，并且B-N2N和B-N2S算法的时间复杂度为O（运行）(n个²)和O（运行）(n个²日志n个)，如果它们应用于n个-维双立方体n个≥ 5. 此外，我们证明了B-N2N和B-N2S产生的路径的最大长度都是n个+ 2. 此外，我们还证明了这些算法也可以应用于局部扭曲立方体，并且具有相同的性能。

软件重构是软件开发中的一个重要过程。在软件重构过程中，代码气味是一个热门的研究主题，指的是软件中的设计或实现缺陷。大类是软件重构中最受关注的代码气味之一。检测和重构此类问题对软件质量有着深远的影响。在过去的几年中，软件度量和聚类技术被广泛用于大类检测。然而，基于深度学习的方法在最近的研究中也受到了相当大的关注。在本研究中，我们应用图形神经网络（GNN）这一深度学习的重要分支来解决大类检测问题。首先，为了支持深度学习任务的广泛数据需求，我们应用半自动方法生成大量数据样本。接下来，我们使用相似度矩阵和软件度量方法设计了一种新的有向异构图（DHG）作为输入图。我们为每个类样本构造一个输入图，并使用GNN对图进行分类，以识别有气味的类。在我们的实验中，我们将三种典型的GNN模型体系结构应用于大类检测，并将结果与以前的研究进行了比较。结果表明，该方法能够实现更准确、更稳定的检测性能。

水印方法需要对各种攻击具有鲁棒性。传统的水印方法使用纠错码或扩频来纠正水印错误。通过将水印嵌入频域和使用SIFT特征点也可以减少错误。如果可以估计攻击的类型和强度，则可以进一步减少错误。有几种类型的攻击，如缩放、旋转和裁剪，有必要针对所有这些攻击实现鲁棒性。针对水印的缩放容差问题，提出了一种基于SIFT特征点和DFT的水印方法，并引入了导频信号。该方法以网格的形式使用导频信号来估计缩放率。当对隐写图像进行缩放时，导频信号的网格间隔也会发生变化，缩放率可以根据变化量进行估计。根据缩放速率的相对误差评估了该方法估计缩放速率的准确性。结果表明，该方法可以利用估计的缩放率来减少水印中的错误。

针对网络入侵检测中大规模流量数据缺乏标签、特征提取时间过长的问题，提出了一种基于Adam非对称自动编码器和COPOD（Copula based Outlier detection）算法的无监督入侵检测方法ACOPOD。该方法使用结构简化的Adam非对称自动编码器从网络数据中提取特征并降低数据维数。然后，基于Copula函数，用每个特征的边缘概率表示所有特征的联合概率分布，然后检测出异常值。在已发布的NSL-KDD数据集上与其他六种传统的无监督异常检测方法进行的实验表明，ACOPOD具有较高的精度，并且在运行速度上具有明显的优势。在实际民航空中交通管理网络数据集上的实验进一步证明，该方法能够有效地检测实际网络环境中的入侵行为，结果具有可解释性，有助于攻击源跟踪。

无人机（UAV）辅助的移动边缘计算（MEC）可以为移动用户（MU）提供额外的计算服务和广泛的连接性。本文研究了复杂场景下无人机辅助MEC系统的任务卸载和资源分配联合优化策略，以降低系统总成本为目标，包括任务执行延迟和能耗。我们采用博弈论方法来建模MEC服务器和MU Stackelberg双层博弈模型之间的交互过程。然后，利用拉格朗日对偶方法将具有复杂多约束的原问题转化为对偶问题。此外，我们证明了所建模的Stackelberg双层博弈具有唯一的纳什均衡解。为了获得该问题的近似最优解，我们提出了一种基于次梯度法和边际收益优化法的两阶段交替迭代（TASR）算法。我们通过详细的仿真实验评估了该算法的有效性能。仿真结果表明，与其他基准方法相比，该算法具有更好的鲁棒性，能够有效降低不同场景下的任务执行延迟和系统总成本。

实体对齐（EA）是集成跨语言和跨领域知识图（KG）的关键任务，其目的是从不同的KG中发现引用同一真实世界对象的实体。现有的基于嵌入的方法大多通过挖掘三元素的相关性来生成对齐实体表示，很少关注三元素的不可分割性和实体角色的多样性。本文从集成三重表示的角度出发，考虑到实体角色的三重特异性和多样性特征，提出了一种新的基于三重软件关注的TTEA类型增强集成三重表达框架，以克服上述不足。具体地说，集成三重表示是通过将关系视为语义空间和类型空间之间的信息载体而导出的，因此可以通过特定感知三重注意来平滑控制空间转换和信息传播过程中的噪声影响。此外，在面向EA的实体表示的TTEA中，通过三重感知实体增强对三元的角色多样性进行了建模。在三个真实世界的跨语言数据集上的大量实验表明，我们的框架取得了比较结果。

自动检测和识别系统在智能城市实施中有许多应用。尽管基于设备和光学方法的准确性和广泛使用，但仍存在一些问题。这些包括设备限制、环境限制和隐私问题。FMWC传感器可以克服这些问题，在商业环境中准确检测和跟踪移动的人员。然而，由于需要静电消除模块，单片mmWave传感器解决方案可能难以识别站立和坐着的人。为了解决这些问题，我们提出了一种使用毫米波雷达和摄像机的实时室内人检测和跟踪融合系统。在商业环境中，该融合系统的总体检测精度接近93.8%，中间位置误差为1.7 m。与我们的单片毫米波雷达解决方案相比，该解决方案可为步行者提供83.5%的总体准确率，它在检测个人静止状态方面表现更好，这可能满足零售业的安全需求。该系统将客户信息可视化，包括轨迹和人数。它有助于商业环境在新冠肺炎疫情期间防止人群聚集，并分析客户访问模式，以实现高效管理和营销。该系统由物联网平台提供支持，可以部署在云中，便于大规模实施。

对于飞行模拟器来说，使用清晰的遥感图像创建三维地形至关重要。然而，由于雾霾和其他影响因素，获得的遥感图像通常具有低对比度和模糊特征。为了构建飞行模拟器视觉系统，我们提出了一种基于深度学习的遥感图像去噪模型。提出了一种由多尺度融合模块和门控大核卷积注意模块组成的编解码结构。该体系结构能够融合多分辨率全局和局部语义特征，能够在复杂地形下自适应提取图像特征。实验结果表明，该模型具有良好的通用性和应用性，优于现有的比较技术，并在具有多种霾浓度、多复杂地形和多空间分辨率的遥感图像中实现了高置信度去噪。

在单图像超分辨率（SISR）领域，精心制作的基于非局部稀疏注意力的块证明了其在降低噪声和降低非局部（全局）特征计算成本方面的有效性。然而，它忽略了传统的基于卷积的块，后者擅长处理局部特征。因此，将基于非局部稀疏注意的块和基于卷积的块合并以同时管理局部和非局部特征是一项重大挑战。为了解决上述问题，本文引入了基于信道对比注意的超分辨率局部-局部互块（CCLN）。（1） 我们介绍了CCLN块，包括用于局部特征的基于局部稀疏卷积的块和用于非局部特征的基于非局部稀疏注意的网络块。（2） 我们引入了通道对比注意（CCA）块，将稀疏聚集合并到基于卷积的块中。此外，我们引入了一个健壮的框架来融合这两个模块，确保每个分支根据各自的优势进行操作。（3） CCLN块可以无缝集成到增强型深度超分辨率网络（EDSR）等已建立的网络主干中，从而实现基于通道关注的本地-本地相互网络（CCLNN）。实验结果表明，我们的CCLNN有效地利用了局部和非局部特征，优于其他最先进的算法。

本文使用Towards High Performance Voxel-based 3D Object Detection（Voxel-RCNN）三维点云对象检测模型作为基准网络，针对鸟瞰视图（BEV）下的主干和特征表达能力不足等问题，提出了一种基于体素的高性能三维目标检测网络（Reinforced voxel-RCNN）。首先，在三维主干上设计了一个基于倒置残差卷积网络和权值归一化相结合的三维特征提取模块。该模块不仅可以很好地保留更多的点云特征信息，增强卷积层之间的信息交互，还可以提高主干网络的特征提取能力。其次，从BEV的角度提出了一种基于空间和通道注意的空间特征语义融合模块。通道特征和语义特征的混合使用进一步提高了网络表达点云特征的能力。在公共数据集KITTI上的实验结果比较中，本文的实验结果优于许多基于体素的方法。与基线网络相比，汽车、自行车和行人三类的三维平均精度和BEV平均精度都有所提高。其中，在三维平均精度方面，汽车类的改善率为0.23%，自行车类为0.78%，行人类为2.08%。在BEV平均准确度方面，观察到了提高：汽车类0.32%，自行车类0.99%，行人2.38%。研究结果表明，本文引入的算法增强有效地提高了目标类别检测的准确性。

本文主要研究场景图生成（SGG）中信息关联三元组的训练数据集增强。由于缺乏有效的监督，当前的SGG模型预测对于训练样本不足的信息关系三元组表现不佳。因此，我们提出了两个新的训练数据集增强模块：特征空间三重增强（FSTA）和软传输。FSTA利用一个经过训练的特征生成器来生成关系三元组中对象的表示。FSTA中基于偏差预测的采样有效地增强了针对具有挑战性的人工三元组。此外，我们引入了软转移，它将软谓词标签分配给一般关系三元组，以有效地对信息谓词类进行更多监督。实验结果表明，在视觉基因组数据集中，将FSTA和软传输相结合可以实现较高的召回率和平均召回率。在所有现有的模型诊断方法中，召回平均值和召回平均值是最高的。

视频中关键帧的检测近年来得到了广泛的关注，是一项具有针对性的任务，在日常生活中具有很深的研究价值和应用前景。例如，视频监控系统、视频封面生成和精彩瞬间闪回都需要关键帧检测技术。然而，关键帧实例的稀疏性、目标帧和背景帧之间的不平衡性以及缺少后处理方法等挑战困扰着该任务。针对这些问题，我们引入了一种新颖有效的时间间隔引导（TIG）框架来精确定位特定帧。该框架与所提出的点级软非最大值抑制（PLS-NMS）后处理算法相结合，该算法适用于点级任务，并通过精心设计的置信度分数衰减函数来促进。此外，我们提出了一种对目标帧的时间间隔敏感的TIG-loss来优化两阶段框架。该方法可广泛应用于视频理解中的关键帧检测，包括动作开始检测和静态视频摘要。大量实验验证了我们的方法在动作开始检测基准数据集（THUMOS’14和Activitynet v1.3）上的有效性，并且我们已经达到了最先进的性能。在基于深度学习的静态视频摘要的SumMe和TVSum数据集上也显示了竞争结果。

中文拼写校正是一项重要的自然语言处理任务。现有的CSC方法大多利用BERT模型，从候选列表中选择一个字符来纠正句子中的错误。世界知识是指跨越广泛领域和主题的结构化信息和关系，而定义知识是指对特定单词或概念的文本解释或描述。这两种形式的知识都有可能增强模型理解上下文细微差别的能力。由于BERT缺乏世界知识对纠错的足够指导，现有模型忽视了汉语词典中丰富的定义知识，拼写纠错模型的性能受到了一定程度的影响。为了解决这些问题，在世界知识网络中，本研究将知识图中的世界知识注入到模型中，以帮助纠正由于缺乏世界知识而导致的拼写错误。此外，该模型中的定义知识网络通过比较学习方法利用汉语词典中的定义提高了纠错能力。在SIGHAN基准数据集上的实验结果验证了该方法的有效性。

我们考虑在无线传感器网络中寻找传感器的最佳子集的问题，其中线性贝叶斯参数估计是从被相关噪声破坏的选定测量中进行的。我们的目标是直接最小化使用QR和LU分解操作的估计误差。我们得出了一个分析结果，以贪婪的方式加快了传感器的选择。与以前的选择方法相比，我们还提供了该算法的复杂性。我们使用相关噪声下的随机测量值通过数值实验评估了性能，并证明了该算法的竞争性估计精度，与以前的选择方法相比，复杂度有了合理的增加。

这封信介绍了AI芯片异构存储架构的一项创新，特别关注六晶体管（6T）和八晶体管（8T）混合SRAM的集成。降低SRAM功耗的传统方法通常包括降低工作电压、，一种通常会大大降低神经网络识别率的方法。然而，这封信中详述的创新设计融合了两种SRAM类型的优点。它的工作电压低于传统SRAM，因此在不影响性能的情况下显著降低了神经网络的功耗。

医学影像在精确的患者诊断中起着不可或缺的作用。将深度学习融入医学诊断越来越普遍。然而，现有的深度学习模型面临着性能和效率方面的挑战，尤其是在资源受限的情况下。为了克服这些挑战，我们引入了一种新的树突状神经效率网模型DEN，该模型受大脑神经元功能的启发，能够有效地提取图像特征，提高图像分类性能。对糖尿病视网膜病变眼底图像数据集的评估表明，与EfficientNet和其他经典神经网络模型相比，DEN的性能优越。