2354 Arbeiten
Das Papier schlägt ZBA-SU vor, ein neuartiges Framework, das Zero-Knowledge-Proofs, Blockchain und Ciphertext-Policy Attribute-Based Encryption integriert, um sichere, datenschutzwahrende und skalierbare Software-Updates für IoT-Geräte bereitzustellen, während gleichzeitig zentralisierte Vertrauensabhängigkeiten und Attribut-Leakage gemildert werden.
Diese Arbeit evaluiert die selektive Risikokontrolle für LLM-Entscheidungsagenten unter Unsicherheit und stellt fest, dass eine bindende adversarielle Kritik zwar als effektives konservatives Gate für Hochrisikofälle fungiert, wenn die Enthaltung kostengünstig ist, sie jedoch nicht inhärent die aktive Entscheidungsqualität verbessert und eher als eine einstellbare Deferral-Schicht denn als ein überlegener Ersatz für einfachere Policen betrachtet werden sollte.
Dieses Paper schlägt ein imbalanz-resistentes Netzwerk-Intrusionserkennungs-Framework vor, das optimierte Merkmalsauswahl, TVAE-basierte Datenaugmentation für Minderheitenklassen und eine gestapelte Ensemble-Lernstrategie kombiniert, um eine hohe Genauigkeit und Robustheit bei der Erkennung sowohl häufiger als auch seltener Cyberangriffe auf dem CSE-CIC-IDS2018-Datensatz zu erreichen.
Dieses Paper schlägt FuMO-Edge vor, einen Online-Mobile-Edge-Computing-Orchestrator, der Interval-Typ-2-Fuzzy-Logik mit NSGA-II integriert, um die Aufgabenplatzierung unter Unsicherheit zu optimieren, wobei signifikante Reduzierungen der Servicezeit und der Ausfallraten im Vergleich zu bestehenden Typ-1-Baselines, insbesondere in Szenarien mit hoher Gerätedichte, nachgewiesen werden.
Diese Studie zeigt, dass ein heterogenes ANN–LightGBM-Stacking-Modell, das 23 Indikatoren der Windows-API vor der Verschlüsselung nutzt, eine hohe Genauigkeit (95,20 %) bei der Klassifizierung von Ransomware-Familien und gutartiger Software erreichen kann, was einen proaktiven Abwehrmechanismus bietet, der eigenständige neuronale Architekturen übertrifft, während gleichzeitig die Notwendigkeit einer weiteren externen Validierung hervorgehoben wird.
Dieses Papier schlägt ST-GAIN+ vor, ein hybrides spatiotemporales Generative Adversarial Network, das temporale Faltungsnetzwerke, duale Attention-Mechanismen und bayessche Unsicherheitsschätzung integriert, um eine robuste und präzise Imputation fehlender Solarbestrahlungswerte über verschiedene Ausfallraten und reale Datensätze hinweg zu erreichen.
Dieses Paper schlägt ein Framework für erklärbares maschinelles Lernen und IoT vor, das Echtzeit-Sensordaten mit Ensemble-Algorithmen und XAI-Techniken integriert, um die akademische Leistung von Mittelschülern präzise vorherzusagen und transparente, personalisierte Lerninterventionen zu generieren.
Diese präregistrierte Studie zeigt, dass große Sprachmodelle zuverlässig die Big-Five-Persönlichkeitsmerkmale aus Live-Gesprächen mit hoher interner Konsistenz und konvergenter Validität inferieren können, insbesondere für Neurotizismus und Verträglichkeit, wenngleich die Leistung je nach Beobachtbarkeit des Merkmals und Prompting-Strategie variiert.
Diese Studie schlägt ein robustes und leichtgewichtiges Intrusion-Detection-Framework für IoMT-Netzwerke unter Verwendung der Datensätze CICIoMT2024, CICIoT2023 und Edge-IIoTset vor und zeigt auf, dass während Ensemble-Modelle wie XGBoost in gleichartigen Szenarien (Same-Domain) exzellieren, eine sorgfältige Modellauswahl wie die logistische Regression entscheidend ist, um die Stabilität und Effektivität in Cross-Domain-Umgebungen trotz Herausforderungen bei der Merkmalskompatibilität aufrechterhalten zu können.
Diese Studie schlägt ein KI-gestütztes Threat-Intelligence-Framework vor, das maschinelles Lernen mit Zero-Trust-Prinzipien integriert, um die Echtzeit-Bedrohungserkennung signifikant zu verbessern, Fehlalarme zu reduzieren und die Cyber-Resilienz gegen komplexe Angriffe in dynamischen Cloud-Umgebungen zu stärken.