本研究提出了一种基于大型语言模型（LLMs）的网络攻击检测方法，旨在提高恶意流量分类的准确性。研究表明，LLMs可作为分类器、编码器和预测器，通过并行建模，DDoS检测的准确率提升近35%。

本研究提出了一种结合自组织映射、深度信念网络和自编码器的创新方法，以提高物联网中的网络攻击检测，实验结果显示系统准确率高达99.99%，显著增强了物联网的安全性。

本研究提出了一种不确定性感知的集成深核学习模型（UEDKL），旨在提高网络攻击检测的准确性和不确定性估计。该模型通过捕捉数据分布和模型参数，显著提升了网络安全领域的检测性能，为应对网络攻击提供了新方案。

本研究探讨了改良的PC算法在高维数据中的应用，验证其在酵母基因表达数据中的优越性。同时，提出了一种结合机器学习和故障注入的物理系统建模方法，有效检测网络攻击。此外，研究还分析了深度学习在计算机病毒检测中的应用，显示出显著改进。

本文综述机器学习在恶意软件与网络攻击检测中的应用，涉及CNN、RNN、SVM、XGBoost等算法，准确率可达99%。研究涵盖UNSW-NB15数据集的类不平衡与重叠问题、混淆恶意软件、勒索软件、安卓恶意软件、量子机器学习框架及加密恶意流量检测，并比较静态与动态特征的效果。

该文汇总多项机器学习研究，涵盖医疗决策可解释工具SIBILA、SQL查询资源预测与调度优化、放宽NLP标签约束的sibylvariance方法、长期时间序列预测数据集构建与多模型基准评测、基于大语言模型的时间知识图谱预测、改进检索的编码器-解码器框架、利用语言模型挖掘时间序列模式预测人流、检测智能电网网络攻击的EE-BiLSTM、预测云资源需求的贝叶斯深度学习，以及同时预测并填补缺失值的端到端模型。