1d Cnn
PulseAugur coverage of 1d Cnn — every cluster mentioning 1d Cnn across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
击键分析难以检测辅助越南语写作的大语言模型
研究人员开发了一种利用击键动力学检测大语言模型（LLM）辅助写作的方法，特别针对越南语文本。他们的研究引入了一个捕获各种写作模式的数据集，包括释义和转录，并模拟了用户试图逃避检测的对抗性条件。虽然一维卷积神经网络（1D-CNN）和TypeNet等序列模型显示出潜力，但击键分析的有效性被发现高度依赖于所建模的写作行为的多样性，释义和操纵的样本经常被错误地归类为原创。
-
新框架通过联邦学习增强边缘计算网络安全
研究人员开发了一种新颖的信任感知联邦混合入侵检测框架（TA-FHIDF），以增强边缘计算环境中的网络安全。该框架结合了自动编码器、一维卷积神经网络（1D-CNN）和双向长短期记忆（BiLSTM）模型，用于自主特征提取。为了保护数据隐私和防止对抗性攻击，TA-FHIDF 利用联邦学习进行协作模型训练，并采用信任感知聚合机制，在全局模型集成前评估客户端的可靠性。在 UNSW-NB15 和 CICIDS2017 等基准数据集上的评估显示，检…
-
新AI系统高精度检测铁路车门异常
研究人员开发了一种名为TCAA-CS的新型铁路车门异常检测系统，该系统利用周期感知自动编码器处理物理测量和逻辑状态。该系统旨在通过将每个车门周期视为一个监控单元，并将重构误差、潜在空间偏差和相位感知跨信号一致性融合为混合异常分数来识别稀有且多样的故障。在真实工业数据上进行测试，TCAA-CS在低误报率下表现出高召回率和高精确率，并且其在NVIDIA Jetson AGX Xavier上进行了实时车载部署的可行性得到了证实。
-
新AI集成模型高精度预测抗菌素耐药性
研究人员开发了AMR-EnsembleNet，一个通过结合基于序列和基于特征的学习来预测抗菌素耐药性（AMR）的新颖框架。这个轻量级的一维 CNN-XGBoost 集成模型能够有效地从基因组数据中学习，克服了现有方法要么忽略序列上下文要么计算成本过高的问题。该模型在预测大肠杆菌菌株的耐药性方面表现出顶级性能，在环丙沙星和庆大霉素方面取得了高精度，并专注于已知的AMR基因。
-
AudioFuse 结合 ViT 和 1D CNN 实现稳健的心音图分类
研究人员开发了 AudioFuse，这是一种结合了 Vision Transformer (ViT) 和 1D 卷积神经网络 (CNN) 模型的心音图 (PCG) 分类新架构。这种混合方法同时从生物医学音频信号的光谱和时间数据表示中学习。在 PhysioNet 2016 数据集上，AudioFuse 取得了 0.8608 的具有竞争力的 ROC-AUC，优于其单独的基线模型。该架构在 PASCAL 数据集上还表现出对域迁移的卓越鲁棒性…
-
物理信息机器学习提升卫星云检测能力
研究人员开发了一种用于地球静止卫星多层云检测的物理信息特征工程方法，该方法适用于一维卷积神经网络（1D-CNN）模型。该方法将基于阈值算法导出的通道选择作为特征工程先验嵌入到1D-CNN中，使机器学习能够学习潜在的物理关系，从而简化物理反演。改进后的1D-CNN在多层云检测的准确率（PODmul）和虚警率（FARmul）方面表现优于传统的阈值算法，分别达到了0.620和0.240。研究强调了结合辐射传输理论中的先验物理知识的有效性，并…
-
轻量级CNN解读毛绒玩具的情感触碰
研究人员开发了一种用于对软体机器人伴侣的情感触碰进行分类的轻量级一维卷积神经网络（CNN）。本研究介绍了一个开源MATLAB框架和一个包含25名参与者标记的1326个手势序列的数据集。该紧凑型CNN模型拥有13.2k个参数，测试准确率达到75%，并能在微控制器上实现实时运行，从而在治疗设备中实现保护隐私的触碰解读。
-
XRFormer transformer架构增强XRF光谱分析
研究人员开发了XRFormer，这是一种新颖的transformer架构，旨在改进复杂一维X射线荧光（XRF）光谱的分析。该新模型利用多尺度卷积标记器来更好地捕捉光谱细节和多分辨率归纳偏置，在颜料识别任务上优于ViT、SpectralFormer和1D-CNNs等现有模型。XRFormer在颜料混合分离方面也展示了卓越的参数效率，其使用的参数更少，标记分辨率低于SpectralFormer。
-
新的DAH-Net模型在脑电图情感识别中达到99.19%的准确率
研究人员开发了DAH-Net，这是一种新颖的双注意力混合网络，旨在实现更准确和可解释的基于脑电图（EEG）的情感识别。该模型集成了1D-CNN、BiLSTM和一个双多头注意力机制，用于从脑电图信号中分类情感。DAH-Net在包含2,479个样本的数据集上达到了99.19%的准确率，显著优于多个基线模型，并证明了其注意力机制在识别相关特征方面的有效性。
-
评估方法质疑 Transformer 入侵检测能力
一项新的研究论文质疑了 Transformer 模型在网络入侵检测中的有效性，特别是在 CIC-IDS2017 数据集上。研究发现，评估方法，特别是填充约定和数据拆分，显著影响了报告的性能，常常高估了 Transformer 的能力。在没有填充的、现实的、无泄漏的条件下进行评估时，Transformer 的性能会大幅下降，这表明架构选择的重要性不如严格的评估实践。
-
新的深度学习模型可高效地对网络中的影响节点进行排序
研究人员开发了一种名为1D-CGS的新型轻量级深度学习模型，用于识别复杂网络中的影响节点。该混合模型结合了1D卷积神经网络和GraphSAGE，能够高效处理节点度和邻居度等拓扑特征。在各种真实网络上的实验表明，1D-CGS在排序准确性和运行时间方面优于现有方法，在相关性和相似性指标上显示出显著的改进。
-
研究：更短的数据窗口可优化AI在医院再入院预测中的应用
一篇新发表在arXiv上的研究探讨了预测医院再入院的最佳历史数据窗口。研究人员发现，对于非结构化的临床记录，手术前三到六个月的较短窗口能产生最佳的预测性能。相比之下，结构化数据在更长的时间窗口下表现出性能提升，并在十二个月后趋于平稳。这些发现表明，仅仅使用更多的历史数据并不总能带来更好的机器学习预测，为优化再入院预测模型提供了指导。
-
VAMP-Net 使用人工智能高精度预测结核病耐药性
研究人员开发了VAMP-Net，一种新颖的双通路神经网络，用于预测结核分枝杆菌的耐药性。该网络结合了用于分析基因组变异及其相互作用的Set Attention Transformer和考虑测序质量的1D-CNN。VAMP-Net在某些药物上的准确率超过95%，其可解释性有助于识别已知的和新颖的与耐药性相关的遗传靶点。
-
AI利用数字孪生和LLM增强飞机故障诊断
研究人员开发了一种通用的航空飞机智能故障诊断系统，解决了真实世界故障数据有限等挑战。该系统集成了高保真飞行动力学模拟器和基于失效模式与影响分析（FMEA）的故障注入模块。它利用多保真残差特征提取和大型语言模型（LLM）生成可解释的诊断报告。