Muhammad Khuram Shahzad
PulseAugur coverage of Muhammad Khuram Shahzad — every cluster mentioning Muhammad Khuram Shahzad across labs, papers, and developer communities, ranked by signal.
-
新型SHIELD-IDS增强了机器学习入侵检测系统对对抗性攻击的防御能力
研究人员开发了SHIELD-IDS，一个增强型入侵检测系统，旨在对抗机器学习模型的对抗性攻击。该系统将XGBoost和LightGBM等梯度提升模型集成到一个多样化的集成模型中，并由三层防御机制保护。实验表明，SHIELD-IDS在干净数据上保持了超过99%的检测准确率，并对常见的对抗性攻击方法表现出更强的鲁棒性。
-
新的 MIRAGE 方法通过元数据和 FAIR 原则增强 MSR 数据集分析
研究人员开发了 MIRAGE，一种通过增强元数据和评估 FAIR 原则来分析软件开发库挖掘 (MSR) 数据集的新方法。该方法使用 Semantic Scholar API 收集 2013 年至 2024 年的数据，并应用潜在狄利克雷分配 (LDA) 主题建模进行分析。研究发现，存储库托管网站和数据格式会影响引用模式和可用性，表明改进的注释可以提高数据集的可发现性和可重用性。
-
CNN-LSTM模型将物联网入侵检测准确率提升至97%
研究人员开发了一种改进的物联网网络入侵检测系统，采用了CNN-LSTM模型。该系统集成了多类别分类和时间特征学习，以提高检测准确性，在网络流量数据上达到了约97%。该模型的架构能有效捕捉网络流量的空间和时间特征，从而提高了物联网环境下的入侵检测能力。
-
新方法提升车牌识别准确性和速度
研究人员开发了一种新方法，以改进实时车牌检测和识别 (LPDR) 系统。该方法通过引入跨空间混合注意力 (CSHA) 和类别平衡合成增强 (CBSA) 来解决训练集中的空间字符不匹配和数据不平衡问题。这项技术将较少见车牌的识别率从 78.2% 显著提高到 91.5%，同时保持了 152 FPS 的高处理速度。
-
新的区块链联邦学习框架提高了效率
研究人员推出TITAN-FedAnil+，这是一个专为资源受限的智能企业设计的、支持区块链的联邦学习新框架。该系统通过采用自适应聚类聚合来识别恶意更新，并利用GPU加速向量化来提高计算效率，从而解决了数据异构性和安全威胁等挑战。该框架还包括一个签名的状态跳转机制，用于轻量级区块链重新同步，显示出内存开销的显著降低以及鲁棒性和可扩展性的增强。
-
增强的WT-PSE框架改进了医学图像分割
研究人员改进了一个名为WT-PSE的医学图像分割框架，该框架最初是为鲁棒的跨域分割设计的。改进的重点是解决初始实现中的局限性，包括训练增强不足、对边缘噪声敏感以及缺乏结构化损失加权。更新后的流程线结合了域自适应增强、混合损失函数和基于课程的权重调度策略，从而在眼底视盘分割基准测试中提高了性能。
-
HYolo 集成超图学习以提升物联网对象检测性能
研究人员开发了 HYolo，一个用于物联网设备的新对象检测框架，它将超图学习与 YOLO 架构相结合。这种方法旨在捕捉对象和上下文特征之间复杂的高阶关系，而传统 YOLO 模型可能会忽略这些关系。在 COCO 数据集上的实验表明，HYolo 在 mAP@50 上实现了 12% 的提升，增强了物联网环境中上下文感知视觉系统的准确性和鲁棒性。
-
AI通过提高准确性和效率来增强物联网入侵检测
研究人员通过解决类别不平衡、伪标签生成、泛化和计算开销方面的限制，增强了物联网（IoT）设备的现有自主在线入侵检测系统（AOC-IDS）。他们改进的方法，包括XGBoost-BalSamp以及结合了PseudoFilter、MixupAug和LiteAE的深度学习方法，在UNSW-NB15基准测试上实现了更高的准确性，同时显著减少了模型参数。这些进步旨在使入侵检测对于资源受限的物联网部署更加有效和实用。