In recent hyperspectral unmixing (HU) literature, the application of deep learning (DL) has become more prominent, especially with the autoencoder (AE) architecture. We propose a split architecture and use a pseudo-ground truth for abundances to guide the `unmixing network' (UN) optimization. Preceding the UN, an `approximation network' (AN) is proposed, which will improve the association between the centre pixel and its neighbourhood. Hence, it will accentuate spatial correlation in the abundances as its output is the input to the UN and the reference for the `mixing network' (MN). In the Guided Encoder-Decoder Architecture for Hyperspectral Unmixing with Spatial Smoothness (GAUSS), we proposed using one-hot encoded abundances as the pseudo-ground truth to guide the UN; computed using the k-means algorithm to exclude the use of prior HU methods. Furthermore, we release the single-layer constraint on MN by introducing the UN generated abundances in contrast to the standard AE for HU. Secondly, we experimented with two modifications on the pre-trained network using the GAUSS method. In GAUSS$_\textit{blind}$, we have concatenated the UN and the MN to back-propagate the reconstruction error gradients to the encoder. Then, in the GAUSS$_\textit{prime}$, abundance results of a signal processing (SP) method with reliable abundance results were used as the pseudo-ground truth with the GAUSS architecture. According to quantitative and graphical results for four experimental datasets, the three architectures either transcended or equated the performance of existing HU algorithms from both DL and SP domains.

最近一年带来了电动汽车（EV）和相关基础设施/通信的大幅进步。入侵检测系统（ID）被广泛部署在此类关键基础架构中的异常检测。本文提出了一个可解释的异常检测系统（RX-ADS），用于在电动汽车中的CAN协议中进行入侵检测。贡献包括：1）基于窗口的特征提取方法； 2）基于深度自动编码器的异常检测方法； 3）基于对抗机器学习的解释生成方法。在两个基准CAN数据集上测试了提出的方法：OTID和汽车黑客。将RX-ADS的异常检测性能与这些数据集的最新方法进行了比较：HID和GID。 RX-ADS方法提出的性能与HIDS方法（OTIDS数据集）相当，并且具有超出HID和GID方法（CAR HACKING DATASET）的表现。此外，所提出的方法能够为因各种侵入而引起的异常行为产生解释。这些解释后来通过域专家使用的信息来检测异常来验证。 RX-ADS的其他优点包括：1）该方法可以在未标记的数据上进行培训； 2）解释有助于专家理解异常和根课程分析，并有助于AI模型调试和诊断，最终改善了对AI系统的用户信任。

人类注释是不完美的，尤其是在初级实践者生产的时候。多专家共识通常被认为是黄金标准，而这种注释协议太昂贵了，无法在许多现实世界中实施。在这项研究中，我们提出了一种完善人类注释的方法，称为神经注释细化（接近）。它基于可学习的隐式函数，该函数将潜在向量解码为表示形状。通过将外观整合为隐式函数的输入，可以固定注释人工制品的外观可见。我们的方法在肾上腺分析的应用中得到了证明。我们首先表明，可以在公共肾上腺细分数据集上修复扭曲的金标准。此外，我们开发了一个新的肾上腺分析（ALAN）数据集，其中拟议的附近，每个病例都由专家分配的肾上腺及其诊断标签（正常与异常）组成。我们表明，经过近距离修复的形状训练的型号比原始的肾上腺更好地诊断肾上腺。 Alan数据集将是开源的，具有1,594个用于肾上腺诊断的形状，它是医学形状分析的新基准。代码和数据集可在https://github.com/m3dv/near上找到。

长期以来，众所周知，在从嘈杂或不完整数据中重建3D形状时，形状先验是有效的。当使用基于深度学习的形状表示时，这通常涉及学习潜在表示，可以以单个全局向量的形式或多个局部媒介。后者可以更灵活，但容易过度拟合。在本文中，我们主张一种与三个网眼相结合的混合方法，该方法在每个顶点处与单独的潜在向量。在训练过程中，潜在向量被限制为具有相同的值，从而避免过度拟合。为了推断，潜在向量是独立更新的，同时施加空间正规化约束。我们表明，这赋予了我们灵活性和概括功能，我们在几个医学图像处理任务上证明了这一点。

每天创建数以万计的恶意域。这些恶意域托管在各种网络基础架构上。传统上，攻击者利用子弹证明托管服务（例如，Cyber​​ Bunker）来利用相对宽度的策略，就他们托管的内容。但是，这些IP范围越来越受阻，或者通过执法进行服务。因此，攻击者正在朝着在这些托管提供商的雷达下使用常规托管提供商的IP。准确了解用于托管恶意域的IP类型存在几种实际优点。如果IP是专用IP（即它被租用到单个实体），则可以将IP列入IP以阻止托管在那些IP上的域作为窗口，作为识别其他恶意域托管同一IP的方法。如果IP是共享托管IP，托管提供程序可能会采取措施清理此类域并对其用户保持良好的声誉。

有许多方法可以使用弱监管来培训网络到分段2D图像。相比之下，现有的3D方法依赖于3D图像卷的2D片的子集的全监督。在本文中，我们提出了一种真正无弱监督的方法，即我们只需要在目标对象的表面上提供一组稀疏的3D点，这是一项可以快速完成的便捷任务。我们使用3D点以使3D模板变形，使其大致与目标对象轮廓匹配，并且我们介绍了利用粗略模板提供的监控以培训网络以找到准确边界的体系结构。我们评估我们在计算机断层扫描（CT），磁共振图像（MRI）和电子显微镜（EM）图像数据集中的方法的性能。我们将表明，在减少监督成本下，它始终以3D弱监管方式表现出更传统的方法。