The usage of technologically advanced devices has seen a boom in many domains, including education, automation, and healthcare; with most of the services requiring Internet connectivity. To secure a network, device identification plays key role. In this paper, a device fingerprinting (DFP) model, which is able to distinguish between Internet of Things (IoT) and non-IoT devices, as well as uniquely identify individual devices, has been proposed. Four statistical features have been extracted from the consecutive five device-originated packets, to generate individual device fingerprints. The method has been evaluated using the Random Forest (RF) classifier and different datasets. Experimental results have shown that the proposed method achieves up to 99.8% accuracy in distinguishing between IoT and non-IoT devices and over 97.6% in classifying individual devices. These signify that the proposed method is useful in assisting operators in making their networks more secure and robust to security breaches and unauthorized access.

尽管网络体系结构性能取得了重大进展，但对抗性攻击的敏感性使得深度学习具有挑战性地在安全至关重要的应用中实施。本文提出了一种以数据为中心解决此问题的方法。一种具有不同亮度值的非局部降解方法已用于从改良的国家标准技术数据库（MNIST）和加拿大高级研究所（CIFAR-10）数据集中生成对抗性示例。在扰动下，该方法在MNIST数据集中提供了多达9.3％的绝对精度提高，而CIFAR-10数据集则提供了13％。使用具有较高亮度值的转换图像训练会增加分类器的鲁棒性。我们已经证明，转移学习对于对抗机器学习是不利的。结果表明，简单的对抗性示例可以提高弹性，并使深度学习易于在各种应用中应用。

转移学习使我们能够利用从一项任务中获得的知识来协助解决另一个或相关任务。在现代计算机视觉研究中，问题是哪个架构对给定的数据集更好地表现更好。在本文中，我们将14种预先训练的Imagenet模型的性能进行比较在组织病理学癌症检测数据集上，其中每个模型都被配置为天真的模型，特征提取器模型或微调模型。DENSENET161已被证明具有高精度，而RESET101具有高召回。适用于后续检查成本高的高精度模型，而低精度，但在后续检查成本低时，可以使用高召回/灵敏度模型。结果还表明，转移学习有助于更快地收敛模型。

资源说明框架（RDF）和属性图（PG）是表示，存储和查询图数据的两个最常用的数据模型。我们提出了表达推理图存储（ERGS） - 构建在Janusgraph（属性图存储）顶部的图存储，该图还允许存储和查询RDF数据集。首先，我们描述了如何将RDF数据转换为属性图表示，然后描述将SPARQL查询转换为一系列Gremlin遍历的查询翻译模块。因此，开发的转换器和翻译器可以允许任何Apache TinkerPop符合图形数据库存储和查询RDF数据集。我们证明了使用JanusGraph作为基本属性图存储的建议方法的有效性，并将其性能与标准RDF系统进行比较。

区分计算机生成（CG）和自然摄影图像（PG）图像对于验证数字图像的真实性和独创性至关重要。但是，最近的尖端生成方法使CG图像中的合成质量很高，这使得这项具有挑战性的任务变得更加棘手。为了解决这个问题，提出了具有深层质地和高频特征的联合学习策略，以进行CG图像检测。我们首先制定并深入分析CG和PG图像的不同采集过程。基于这样的发现，即图像采集中的多个不同模块将导致对图像中基于卷积神经网络（CNN）渲染的不同敏感性不一致，我们提出了一个深层纹理渲染模块，以增强纹理差异和歧视性纹理表示。具体而言，生成语义分割图来指导仿射转换操作，该操作用于恢复输入图像不同区域中的纹理。然后，原始图像和原始图像和渲染图像的高频组件的组合被馈入配备了注意机制的多支球神经网络，该神经网络分别优化了中间特征，并分别促进了空间和通道维度的痕量探索。在两个公共数据集和一个具有更现实和多样化图像的新构建的数据集上进行的广泛实验表明，所提出的方法的表现优于现有方法，从而明确的余量。此外，结果还证明了拟议方法后处理操作和生成对抗网络（GAN）生成的图像的检测鲁棒性和泛化能力。

与分析气相色谱法 - 质谱（GC -MS）数据相关的挑战很多。这些挑战中的许多挑战源于以下事实：电子电离可能使由于高度的分裂程度与分子离子信号的损失而难以恢复分子信息。使用GC-MS数据，通常在密切洗脱峰之间共享许多常见的片段离子，因此需要进行复杂的分析方法。其中一些方法是完全自动化的，但是对数据可以在分析过程中引入伪影的数据做出了一些假设。化学计量方法（例如多元曲线分辨率或平行因子分析）特别有吸引力，因为它们是灵活的，并且对数据的假设相对较少 - 理想情况下会导致伪像较少。这些方法确实需要专家用户干预来确定每个区域的最相关区域和适当数量的组件，即$ k $。需要选择自动化区域，以允许使用高级信号反卷积的色谱数据自动批处理处理。在这里，我们提出了一种新的方法，用于自动化，不靶心的感兴趣的选择区域，该方法是根据平方的比率和第二个单数值分解的比率来解释GC-MS数据中存在的多元信息，以选择感兴趣的区域。在色谱图上移动的窗口。假设第一个奇异值主要解释了信号，而第二个奇异值主要解释了噪声，则可以将这两个值之间的关系解释为Fisher比率的概率分布。通过研究该算法不再挑选已知包含信号的色谱区的浓度来测试算法的灵敏度。

通常考虑使用原型生成（PG）方法来提高$ k $ neart nearbor（$ k $ nn）分类器的效率。与初始集合相比，这种方法旨在生成降低的语料库版本，而不会降低分类性能。尽管它们在多类方案中进行了庞大的应用，但很少有作品解决了多标签空间的PG方法的建议。在这方面，这项工作介绍了四种多类PG策略对多标签案例的新颖调整。这些建议通过三个基于$ k $ nn的分类器进行评估，其中12个Corpora包括各种域和语料库大小，以及数据中人为诱导的不同噪声场景。获得的结果表明，所提出的适应能够显着改善（在效率和分类性能方面），唯一的参考文献多标记PG在文献中以及没有应用PG方法的情况，也呈现A在嘈杂的场景中，统计上较高的鲁棒性。此外，这些新颖的PG策略允许通过其配置来优先考虑效率或功效标准，具体取决于目标情况，因此涵盖了以前未被其他作品所填写的解决方案空间中的广泛区域。

随着计算机图形技术的开发，计算机软件合成的图像越来越接近照片。尽管计算机图形技术为我们带来了游戏和电影领域中的盛大视觉盛宴，但它也可以被不良意愿的人使用来指导公众意见并造成政治危机或社会动荡。因此，如何将计算机生成的图形（CG）与照片（PG）区分开已成为数字图像取证领域的重要主题。本文提出了基于通道关节和软杆的双流卷积神经网络。所提出的网络体系结构包括一个用于提取图像噪声信息的残差模块和一个联合通道信息提取模块，用于捕获图像的浅色语义信息。此外，我们还设计了一个残留结构，以增强特征提取并减少剩余流中信息的损失。联合通道信息提取模块可以获取输入图像的浅语义信息，该信息可以用作残差模块的信息补充块。整个网络使用Softpool来减少图像下采样的信息丢失。最后，我们融合了两个流以获得分类结果。 SPL2018和DSTOK上的实验表明，所提出的方法优于现有方法，尤其是在DSTOK数据集上。例如，我们的模型的性能超过了最先进的3％。

我们研究了Wang等人介绍的熵调查的，探索性扩散过程制定的Q-学习（RL）的Q-学习（RL）的持续时间对应物。 （2020）随着常规（大）Q功能在连续的时间崩溃，我们考虑其一阶近似，并在“（小）Q功能”一词中造成术语。此功能与瞬时优势率函数以及哈密顿量有关。我们围绕时间离散化独立于Q功能开发了“ Q学习”理论。鉴于随机策略，我们通过某些随机过程的martingale条件共同表征了相关的Q功能和价值函数。然后，我们将理论应用来设计不同的参与者批评算法来解决潜在的RL问题，具体取决于是否可以明确计算从Q功能产生的Gibbs测量的密度函数。我们的一种算法解释了著名的Q学习算法SARSA，另一个算法恢复了基于政策梯度（PG）在Jia和Zhou（2021）中提出的基于策略梯度（PG）。最后，我们进行了仿真实验，以将我们的算法的性能与JIA和Zhou（2021）中的PG基算法的性能以及时间消化的常规Q学习算法进行比较。

植物点云的分割以获得高精度的形态特征对于植物表型和作物育种至关重要。尽管深度学习方法的绽放促进了对植物点云的分割的大量研究，但大多数作品遵循基于硬素化或基于下采样的方法的共同实践。它们仅限于细分简单的植物器官，忽略了解决具有高空间分辨率的复杂植物点云的困难。在这项研究中，我们提出了一个深度学习网络分割变压器（PST），以实现MLS（移动激光扫描）油料种子强奸点云的语义和实例分割，该强奸点云将其特征在于微小的硅酸盐和致密点作为主要特征。 PST由：（i）一个动态体素特征编码器（DVFE），可通过原始空间分辨率进行每个点特征聚集； （ii）双窗口设置注意力块以捕获上下文信息； （iii）一个密集的特征传播模块，以获得最终的致密点特征图。结果证明，PST和PST-PointGroup（PG）在语义和实例分段任务中实现了最新性能。对于语义细分，PST分别达到93.96％，97.29％，96.52％，96.88％和97.07％的平均值，平均精度，平均召回率，平均F1得分和整体准确性。例如，在MCOV，MWCOV，MPERC90和MREC90中，分割的PST-PG分别达到89.51％，89.85％，88.83％和82.53％。这项研究以端到端的方式扩展了油料强奸的表型，并证明了深度学习方法具有巨大的潜力，可以理解具有复杂形态特征的密集植物点云。