网络威胁智能（CTI）是描述威胁媒介，漏洞和攻击的信息，通常用作基于AI的网络防御系统（例如网络安全知识图（CKG））的培训数据。非常需要开发可访问社区的数据集来培训现有的基于AI的网络安全管道，以有效，准确地从CTI中提取有意义的见解。我们已经从各种开放源中创建了一个初始的非结构化CTI语料库，我们使用SPACY框架并探索自学习方法来自动识别网络安全实体，用于训练和测试网络安全实体模型。我们还描述了应用网络安全域实体与Wikidata现有世界知识联系起来的方法。我们未来的工作将调查和测试Spacy NLP工具，并创建方法，以连续整合从文本中提取的新信息。

Neural Radiance Fields (NeRFs) encode the radiance in a scene parameterized by the scene's plenoptic function. This is achieved by using an MLP together with a mapping to a higher-dimensional space, and has been proven to capture scenes with a great level of detail. Naturally, the same parameterization can be used to encode additional properties of the scene, beyond just its radiance. A particularly interesting property in this regard is the semantic decomposition of the scene. We introduce a novel technique for semantic soft decomposition of neural radiance fields (named SSDNeRF) which jointly encodes semantic signals in combination with radiance signals of a scene. Our approach provides a soft decomposition of the scene into semantic parts, enabling us to correctly encode multiple semantic classes blending along the same direction -- an impossible feat for existing methods. Not only does this lead to a detailed, 3D semantic representation of the scene, but we also show that the regularizing effects of the MLP used for encoding help to improve the semantic representation. We show state-of-the-art segmentation and reconstruction results on a dataset of common objects and demonstrate how the proposed approach can be applied for high quality temporally consistent video editing and re-compositing on a dataset of casually captured selfie videos.

In recent years, Machine learning (ML) techniques developed for Natural Language Processing (NLP) have permeated into developing better computer vision algorithms. In this work, we use such NLP-inspired techniques to improve the accuracy, robustness and generalizability of ML models for simulating transient dynamics. We introduce teacher forcing and curriculum learning based training mechanics to model vortical flows and show an enhancement in accuracy for ML models, such as FNO and UNet by more than 50%.

热分析在不同的温度场景下提供了对电子芯片行为的更深入见解，并可以更快地设计探索。但是，使用FEM或CFD，在芯片上获得详细而准确的热曲线非常耗时。因此，迫切需要加快片上热溶液以解决各种系统方案。在本文中，我们提出了一个热机学习（ML）求解器，以加快芯片的热模拟。热ML-Solver是最近的新型方法CoAemlSim（可组合自动编码器的机器学习模拟器）的扩展，并对溶液算法进行了修改，以处理常数和分布式HTC。在不同情况下，针对商业求解器（例如ANSYS MAPDL）以及最新的ML基线UNET验证了所提出的方法，以证明其增强的准确性，可伸缩性和概括性。

线性系统的迭代求解器是部分微分方程（PDE）的数值解的关键组件。过去几十年来一直进行了深入的研究，例如雅各比，高斯 - 塞德尔，共轭梯度，跨部方法及其更高级的变体，但仍有迫切需要开发更快，更强大和更可靠的求解器。基于操作员回归的科学深度学习的最新进展，我们提出了一种提示，即用于微分方程的混合，迭代，数值和可转移的求解器。提示结合了标准放松方法和深层操作员网络（DeepOnet）。与标准数值求解器相比，提示能够为宽类微分方程提供更快的解决方案，同时保留接近机器零的精度。通过本本征分析，我们发现提示中的单个求解器靶向本征谱系中的不同区域，从而导致均匀的收敛速率，从而使混合求解器的整体表现出色。此外，提示适用于多维方程，并且在计算域和可转移到不同离散化方面具有灵活性。

深度学习的最新发展之一是广义的零射击学习（GZSL），旨在识别所见类和看不见的类别的对象，而仅提供了来自可见类的标记示例。在过去的几年中，GZSL抓住了牵引力，并提出了几种模型来解决这个问题。尽管在计算机视觉和自然语言处理等领域进行了大量有关GZSL的研究，但尚未进行此类研究来处理时间序列数据。 GZSL用于应用程序，例如检测ECG和EEG数据的异常，并从传感器，光谱仪和其他设备数据中识别出看不见的类。在这方面，我们提出了一个时间序列-GZSL（LETS -GZSL）模型的潜在嵌入方式，该模型可以解决GZSL的问题用于时间序列分类（TSC）。我们利用基于嵌入式的方法并将其与属性向量相结合以预测最终类标签。我们报告了广泛流行的UCR档案数据集的结果。我们的框架能够在大多数数据集上实现至少55％的谐波平均值，除非看不见的类的数量大于3，否则数据量非常低（小于100个培训示例）。

大脑电脑接口（BCI）系统通过无肌肉活动的直接测量来支持通信。需要验证大脑电脑界面系统，以严重残疾人的真实世界使用的长期研究，并必须实施其普遍传播的有效和可行的模型。最后，必须提高BCI性能的日常和时刻瞬间可靠性，以便接近自然肌肉的功能的可靠性。本次审查讨论了BCI系统的结构和功能，阐明了术语集成和进度，并且还基于用于BCI系统的侵入性记录技术的当前可用性来识别和阐述该领域的机遇。

我们提出了一种适应课程训练框架，适用于少量分类的最先进的元学习技术。基于课程的培训普遍试图通过逐步增加培训复杂性来实现培训复杂性以实现增量概念学习。由于元学习者的目标是学习如何从尽可能少的样本中学习，那些样本的确切数量（即支撑集的大小）是作为给定任务困难的自然代理。我们定义了一个简单但新颖的课程计划，从更大的支持大小开始，并且逐步减少整个训练，最终匹配测试设置的所需拍摄大小。这种提出的方​​法提高了学习效率以及泛化能力。我们在两次拍摄图像分类任务上使用MAML算法进行了实验，显示了课程训练框架的显着收益。消融研究证实了我们所提出的方法的独立性，从模型架构以及元学习的普通参数

随着越来越受欢迎和易于访问互联网，在线谣言的问题正在升级。人们依靠社交媒体，易于获取信息，但将牺牲猎物陷入错误信息。在线帖子缺乏可信度评估技术，以便在到达时立即识别谣言。现有研究制定了通过开发机器学习和深度学习算法来打击在线谣言的若干机制。到目前为止的文献为凭借巨大的训练数据集提供了谣言分类的监督框架。然而，在监督学习的在线情景中，动态谣言识别变得困难。在线谣言的早期检测是一个具有挑战性的任务，与他们有关的研究相对较少。只要在线出现，就需要小时才能识别谣言。这项工作提出了一种简洁的谣言检测框架，依赖于在线帖子的内容和使用最先进的聚类技术。拟议的体系结构优于几种现有基线，并且比几种监督技术更好。提出的方法，轻巧，简单，坚固，提供了作为在线谣言识别的工具采用的适用性。

Discovering governing equations of a physical system, represented by partial differential equations (PDEs), from data is a central challenge in a variety of areas of science and engineering. Current methods require either some prior knowledge (e.g., candidate PDE terms) to discover the PDE form, or a large dataset to learn a surrogate model of the PDE solution operator. Here, we propose the first solution operator learning method that only needs one PDE solution, i.e., one-shot learning. We first decompose the entire computational domain into small domains, where we learn a local solution operator, and then we find the coupled solution via either mesh-based fixed-point iteration or meshfree local-solution-operator informed neural networks. We demonstrate the effectiveness of our method on different PDEs, and our method exhibits a strong generalization property.