MDADroid是一种新型的Android恶意软件检测方法，通过构建功能-API映射，有效应对恶意软件威胁。该方法利用开源知识获取权限相关API，并结合API相似度计算方法（ASCM）更新API集，确保适应版本迭代。实验结果表明，MDADroid在多个数据集上的检测准确率超过95%，资源消耗低，抗老化能力强，适合实际应用。

该研究在YOLOv8框架中引入新技术，提升了对多尺度、小型和远程物体的检测准确率，达65%。

本研究提出了一种基于双向长短期记忆网络（Bi-LSTM）的网络钓鱼检测新方法，能够更准确地分类网址。实验结果表明，该模型在超过65万个网址的数据集上检测准确率达到97%，显著优于传统方法。

本研究提出了一种名为CapsFake的多模态胶囊网络，用于检测指令驱动的深伪造图像。该技术通过结合视觉、文本和频谱信息，显著提高了检测准确率，比现有方法提升了20%。

本研究提出了一种新颖的输入审核框架，解决了身体代理安全性研究方法的不足。通过引入EAsafetyBench安全基准和Pinpoint审核方案，检测准确率达到94.58%，显著优于现有技术。

本研究提出了一种新方法，通过卷积神经网络和图像处理技术，从声谱图图像中直接估计音高。该方法在不同信噪比条件下的检测准确率高达92%，比其他先进方法提高约5%。

本研究提出了框架SAMURAI，以保护AI硬件免受对抗性攻击。通过引入AI性能计数器和TANTO分析引擎，SAMURAI能够实时识别安全漏洞，检测准确率达到97%，显著优于传统方法。

本研究提出了一种基于深度学习的自适应安全保护框架，构建多层防御架构，以应对云计算中的安全威胁。该框架在真实商业环境中实现了97.3%的检测准确率和99.999%的可用性，显著提升了云计算的安全性。

小红书团队与中科大、上海交大合作，推出Chameleon数据集和AIDE检测方法，提升AI生成图像的检测准确率。Chameleon数据集通过人类感知的“图灵测试”，具备高真实度和多样性；AIDE模型融合多专家特征，显著提高检测效果，推动该领域研究进展。

本研究提出了一种新颖的集成深度学习模型，旨在提高慢性肾病（CKD）的早期诊断准确率。通过迁移学习和多种先进模型的结合，研究实现了高达96%的检测准确率，为临床干预提供了新机遇，展示了机器学习在医学中的重要性。

随着大模型技术的发展，密钥硬编码问题受到关注。传统检测策略误报率高，难以有效识别敏感信息。利用大模型的语义理解能力，检测准确率提升至97%，帮助企业更有效应对安全风险。未来将继续优化模型，实现代码中敏感密钥的实时检测。

本研究提出了一种新方法，利用视觉语言模型(VLM)提升人-物交互检测能力，通过量化HOI三元组的相似性，实现了最先进的检测准确率，推动了可解释的人-物交互分析的发展。

该研究提出了一种基于剧本的无监督行为理解方法，有效解决自闭症谱系障碍（ASD）诊断中的数据稀缺和可解释性不足问题，检测准确率达到92.00%，优于传统方法。

该论文提出了一种基于神经网络的方法，用于检测和推断人类社交行为，展示了在多个基准测试中的优异性能。研究涉及社交互动的视觉识别、交互关系网络的构建，以及自闭症谱系障碍（ASD）领域的数据共享和早期检测，提出了MMASD+数据集和亲子互动游戏协议，显著提高了检测准确率。

本研究探讨了安卓恶意软件检测中的机器学习方法，提出了DroidOL在线学习框架和GUIDED RETRAINING方法，显著提高了检测准确率。通过回顾过去十年的研究，发现静态特征优于动态特征，并提出了一种结合随机森林分类器的新型机器学习框架，验证了其在真实环境中的有效性和无偏性。此外，研究还提出了领域适应技术以增强分类器的鲁棒性。

本文介绍了多种基于生成对抗网络（GAN）的异常检测方法，包括无监督学习和时间序列数据处理。这些方法在多个数据集上表现出色，显著提高了检测准确率，解决了异常数据获取的难题。

本文探讨了改进YOLOv5和YOLOv8模型在自动驾驶和交通安全中的应用。研究表明，YOLOv5在某些检测任务中表现优越，而YOLOv8在复杂环境中更具适应性。改进后的模型在行人和交通标志检测中达到了96%的准确率，为交通管理和安全提供了有效解决方案。

本文探讨了深度神经网络在动态环境中的应用，提出了一种通过线性搜索和样本交叉验证选择阈值的新方法，以提高未知类别的检测准确率。同时，研究强调了运行时监控技术的重要性，并提出了一种基于模型范围的监控方法，显示出更高的有效性。