一般照明条件中单眼图像的强大面部重建是具有挑战性的。用于使用微弱渲染的深度神经网络编码器结合的方法打开了几何，照明和反射的非常快速的单眼重建的路径。它们也可以通过自我监督的方式培训，以增加鲁棒性和更好的泛化。然而，基于光栅化的图像形成模型以及底层场景参数化，将它们限制在Lambertian的反射率和差的形状细节中。最近，在基于经典优化的框架内引入了用于单眼脸部重建的射线跟踪，并实现最先进的结果。然而，基于优化的方法本质上很慢，缺乏鲁棒性。在本文中，我们在上述方法上建立了我们的工作，并提出了一种新的方法，大大提高了一般场景中的重建质量和鲁棒性。我们通过将CNN编码器与可分散的射线示踪剂组合来实现这一点，这使得我们能够将重建基于更高级的个性化漫射和镜面，更复杂的照明模型和自阴影的合理表示。这使得即使在难以照明的场景中，也可以在重建的形状，外观和照明中进行大跃进。通过一致的面部属性重建，我们的方法导致实际应用，例如致密和自阴影去除。与最先进的方法相比，我们的结果表明了提高了方法的准确性和有效性。

Graph neural networks (GNNs) are susceptible to privacy inference attacks (PIAs), given their ability to learn joint representation from features and edges among nodes in graph data. To prevent privacy leakages in GNNs, we propose a novel heterogeneous randomized response (HeteroRR) mechanism to protect nodes' features and edges against PIAs under differential privacy (DP) guarantees without an undue cost of data and model utility in training GNNs. Our idea is to balance the importance and sensitivity of nodes' features and edges in redistributing the privacy budgets since some features and edges are more sensitive or important to the model utility than others. As a result, we derive significantly better randomization probabilities and tighter error bounds at both levels of nodes' features and edges departing from existing approaches, thus enabling us to maintain high data utility for training GNNs. An extensive theoretical and empirical analysis using benchmark datasets shows that HeteroRR significantly outperforms various baselines in terms of model utility under rigorous privacy protection for both nodes' features and edges. That enables us to defend PIAs in DP-preserving GNNs effectively.

数据驱动的方法和范例已成为通过优化进行有效网络性能的有希望的解决方案。这些方法着眼于最新的机器学习技术，这些技术可以满足5G网络和明天的网络的需求，例如主动负载平衡。与基于模型的方法相反，数据驱动的方法不需要准确的模型来解决目标问题，其相关架构为可用的系统参数提供了灵活性，从而改善了移动无线网络中基于学习的算法的可行性。本文介绍的工作重点是展示5G核心（5GC）网络的工作系统原型和网络数据分析功能（NWDAF），用于将数据驱动技术的好处带入实现。网络生成数据的分析通过无监督的学习，聚类和评估这些结果作为对未来机会和工作的见解，探索了核心网络内部的交互。

近年来，随着传感器和智能设备的广泛传播，物联网（IoT）系统的数据生成速度已大大增加。在物联网系统中，必须经常处理，转换和分析大量数据，以实现各种物联网服务和功能。机器学习（ML）方法已显示出其物联网数据分析的能力。但是，将ML模型应用于物联网数据分析任务仍然面临许多困难和挑战，特别是有效的模型选择，设计/调整和更新，这给经验丰富的数据科学家带来了巨大的需求。此外，物联网数据的动态性质可能引入概念漂移问题，从而导致模型性能降解。为了减少人类的努力，自动化机器学习（AUTOML）已成为一个流行的领域，旨在自动选择，构建，调整和更新机器学习模型，以在指定任务上实现最佳性能。在本文中，我们对Automl区域中模型选择，调整和更新过程中的现有方法进行了审查，以识别和总结将ML算法应用于IoT数据分析的每个步骤的最佳解决方案。为了证明我们的发现并帮助工业用户和研究人员更好地实施汽车方法，在这项工作中提出了将汽车应用于IoT异常检测问题的案例研究。最后，我们讨论并分类了该领域的挑战和研究方向。

了解人类流动性对于智慧城市和社会行为研究的发展至关重要。人类流动模型可用于许多应用，包括大流行控制，城市规划和交通管理。现有模型的预测用户移动性模式的准确性小于25％。人类运动的灵活本质可以证明低精度可能是合理的。确实，人类的日常运动并不僵化。此外，严格的移动性模型可能会导致用户记录中的隐藏规律性。因此，我们提出了一种新的观点，以研究和分析人类的迁移率模式并捕获其灵活性。通常，迁移率模式由一系列位置表示。我们建议通过将这些位置抽象成一组位置来定义移动性模式。标记这些位置将使我们能够检测到接近现实的隐藏模式。我们提出IMAP，这是一种单独的人类流动性模式可视化平台。我们的平台使用户可以根据历史记录可视化他们所访问的位置的图。此外，我们的平台显示使用修改后的前缀方法计算出的最频繁的移动性模式。

我们提出DIY-IPS - 自己动手 - 室内定位系统，这是一个开源实时室内定位移动应用程序。DIY-IPS通过使用可用WiFi接入点的双波段RSSI指纹识别来检测用户的室内位置。该应用程序可以无需额外的基础设施费用即可实时检测用户的室内位置。我们发布了我们的应用程序作为开源，以节省其他研究人员的时间来重新创建它。该应用程序使研究人员/用户能够（1）使用地面真相标签收集室内定位数据集，（2）以更高的准确性或其他研究目的自定义应用程序（3）通过用地面真相实时测试测试修改方法的准确性。我们进行了初步实验，以证明应用程序的有效性。

特洛伊木马后门是针对神经网络（NN）分类器的中毒攻击，对手试图利用（高度理想的）模型重用属性将特洛伊木马植入模型参数中，以通过中毒训练过程进行后门漏洞。大多数针对特洛伊木马攻击的防御措施都假设了白盒设置，其中防守者可以访问NN的内部状态，或者能够通过它进行后传播。在这项工作中，我们提出了一个更实用的黑盒防御，称为Trojdef，只能在NN上进行前进。 Trojdef试图通过监视输入因随机噪声反复扰动预测置信度的变化来识别和滤除特洛伊木马输入（即用Trojan触发器增强的输入）。我们根据预测输出得出一个函数，该函数称为预测置信度，以决定输入示例是否为特洛伊木马。直觉是，由于错误分类仅取决于触发因素，因此特洛伊木马的输入更加稳定，而由于分类特征的扰动，良性输入会受到损失。通过数学分析，我们表明，如果攻击者在注入后门时是完美的，则将训练特洛伊木马感染的模型以学习适当的预测置信度结合，该模型用于区分特洛伊木马和良性输入，并在任意扰动下。但是，由于攻击者在注入后门时可能不是完美的，因此我们将非线性转换引入了预测置信度，以提高实际环境中的检测准确性。广泛的经验评估表明，即使分类器体系结构，培训过程或超参数变化，Trojdef的表现明显优于州的防御能力，并且在不同的设置下也很稳定。

当前的无人机交付解决方案主要专注于使用一台无人机交付单包交付。但是，无人机技术的最新发展使无人机能够在一次旅行中提供多个包裹。我们使用最近的目的地第一策略来更快地在Skyway网络中交付包装。该演示是在Skyway网络之后在Urban空域中多包交付的概念验证原型。我们使用悉尼CBD的3D模型在室内测试台环境中部署和测试该多包无人机交付。演示：https：//youtu.be/ytwsifuvwpc

群的行为来自代理的局部互动及其环境通常被编码为简单规则。通过观看整体群体行为的视频来提取规则可以帮助我们研究和控制自然界的群体行为，或者是由外部演员设计的人造群体。它还可以作为群体机器人技术灵感的新来源。然而，提取此类规则是具有挑战性的，因为群体的新兴特性与其当地互动之间通常没有明显的联系。为此，我们开发了一种方法，可以自动从视频演示中提取可理解的群体控制器。该方法使用由比较八个高级群指标的健身函数驱动的进化算法。该方法能够在简单的集体运动任务中提取许多控制器（行为树）。然后，我们对导致不同树木但类似行为的行为进行定性分析。这提供了基于观察值自动提取群体控制器的第一步。

包括自动驾驶汽车和连接车辆在内的现代车辆通过与其他车辆，智能设备和基础设施的连接和通信采用了越来越多的功能。但是，车辆互联网（IOV）的连通性不断增长，也增加了网络攻击的脆弱性。为了保护IOV系统免受网络威胁的侵害，使用机器学习（ML）方法开发了可以确定恶意网络攻击的入侵检测系统（IDS）。为了准确检测IOV网络中的各种攻击，我们提出了一个名为领导者类和信心决策集合（LCCDE）的新颖合奏IDS框架。它是通过确定每个类别或类型攻击类型的三种高级ML算法（XGBoost，LightGBM和Catboost）中最佳性能ML模型来构建的。然后利用具有预测置信度值的班级领导模型对检测各种类型的网络攻击做出准确的决策。在两个公共IOV安全数据集（汽车黑客和CICIDS2017数据集）上进行了实验，证明了拟议的LCCDE在车内和外部网络上侵入检测的有效性。