服务器遭遇流量攻击，CPU 负载达到 100%。使用阿里云 ESA 防护，通过自定义规则拦截广东 IP 的无效请求，但 JS 挑战未能有效阻挡攻击。升级套餐成本高，小网站生存堪忧。

本研究解决了酶促反应预测这一复杂且资源密集的问题，采用大型语言模型（LLMs）评估其在多个生化任务中的能力。研究发现，通过多任务学习，模型在反向合成和正向合成预测上表现优越，显示出在酶信息共享方面的潜力，并指出了现有EC分类方案中的挑战，为进一步改进LLM驱动的生化建模奠定了基础。

本研究分析了大规模语言模型在CPU-GPU耦合架构下的推理特征，结果显示紧耦合系统在大批量处理时性能优于松耦合系统，但在小批量时受限于CPU。内核融合技术能够缓解低批量的延迟瓶颈。

本文介绍了泰坦尼克号生存预测的数据预处理过程，强调数据处理的重要性。通过分析特征与生存率的关系，提取新特征并进行数据清洗，最终构建预测模型。

本研究针对自动驾驶车辆（AVs）在开放道路测试中频繁发生的碰撞问题，进行深入分析，以填补目前对AV碰撞分析的研究空白。通过对最新加州AV碰撞报告的分析，我们提出了一套自动提取碰撞前场景的映射规则，成功识别出24种场景并获取了关键的碰撞情景，为改善AV性能提供了潜在的优化建议，更有助于政府制定相关监管政策。

本研究探讨了改善假新闻检测模型泛化能力的特征，特别是应对粗略标记数据的偏差。通过分析风格特征和社会货币化特征，提出了一种新方法，增强模型在现实世界中的鲁棒性。研究表明，这些新特征能提供更具泛化性的预测，推动假新闻检测的进步。

本研究探讨了网络流量记录特征在检测高级持续威胁（APT）中的重要性。通过机器学习框架分析不同APT案例，评估特征对检测的贡献，为提升APT检测提供了重要见解。

本文分析了社交媒体上匿名作者的性别和年龄特征，并介绍了新的孟加拉语作者特征数据集BN-AuthProf。研究表明，性别和年龄分类的准确率分别为80%和91%，显示了机器学习在该领域的应用潜力。

本研究提出了一种新颖的3D点云属性压缩框架——面向渲染的点云属性压缩（RO-PCAC），通过稀疏张量变换器（SP-Trans）优化渲染质量，显著提升特征分析与合成能力，实验结果表明其压缩性能优于现有方案。

本文探讨了多个问答数据集的创建与研究，分析了个性化、主观性及偏见对问答模型的影响。研究发现，性别和种族等偏见普遍存在于模型中，影响其性能。提出了新的问答模型和任务，旨在提升模型的泛化能力和准确性，特别是在金融领域的应用。

本研究探讨了排名大语言模型在信息检索中的可解释性，分析了神经元激活与人类工程特征的关联，揭示了影响排名决策的特征集合及其缺失特征，为提升模型的可解释性和性能提供了重要启示。

本文提出了一种基于梯度的Power Slow Feature Analysis（PowerSFA）方法，用于从高维输入中提取时间上缓慢变化的特征。PowerSFA能够有效提取低维特征，并在多种数据集上验证了其有效性。同时，研究探讨了高维计算框架HDC/VSA的应用及其在认知计算中的作用，强调了神经网络在处理高维数据时的学习能力和特征表示的可解释性。

本文介绍了基于注意力机制的图神经网络（GNN）结构及其应用，提出了图注意力网络（GATs）、BA-GNN和BR-GCN等模型，解决了图结构数据处理中的关键挑战。这些方法在多个数据集上表现优异，尤其在分类和迁移学习方面。

本文介绍了多种深度学习模型的可解释性方法，如分解类激活图（Decom-CAM）和功能激活映射（FAM），通过分析激活图和特征贡献权重，显著提升了模型的可解释性和性能。这些新技术在图像分类和目标定位任务中表现优异，推动了可解释AI的发展。

本研究提出了一种基于深度学习的加密恶意流量检测框架，结合三元组结构和特征分析，显著提高了检测准确性。通过分析多个数据集，验证了该框架在恶意流量识别中的有效性，并探讨了未来研究方向。

该研究探讨了深度神经网络训练及其与网络参数之间的复杂动力学关系。研究发现训练网络往往呈现漂移模式，沿着单一方向进行训练，并提出了指数级缓慢衰减的潜在值。通过分解权重矩阵和识别 Hessian 特征向量，揭示了网络内的参数方向。基于这些发现，提出了一种有效的策略来缓解神经网络在学习新任务时遗忘之前任务知识的挑战。

国际指纹活体检测竞赛（LivDet）每两年举办一次，评估指纹表示攻击检测（PAD）进展。本届竞赛有活体检测、指纹表示和隐藏挑战。参与者提供真实指纹样本，报告并评估算法性能。

本论文提出了一种全面的深度伪造图像生成与识别的方法，并创建了名为DeepFakeFace (DFF)的数据集用于训练和测试算法。通过对DFF数据集的评估，提出了两种评估方法来测试深度伪造识别工具的强度和适应性。该研究突显了对深度伪造检测器的需求，并旨在促进更有效的抵御深度伪造的工具的发展。

该研究提出了一种端到端的多通道说话人归属自动语音识别系统，结合了基于 Conformer 的编码器和基于说话人归属的 Transformer 解码器。该模型在语音识别中表现出色，尤其是在多通道会议转录中。研究还探讨了不同输入特征对ASR性能的影响。