该研究提出了一种名为VersionSeek的隐蔽软件版本识别方法，基于功能性变更分析软件更新的功能差异，设计探测请求以提高识别准确率。实验结果表明，该方法在识别率和数据包发送量上均优于传统技术，成功识别了240,020个软件实例，揭示了用户面临的安全威胁。

本研究针对交通标志识别中的运动模糊和遮挡问题，提出了一种改进的IEC网络。该方法结合了高效卷积神经网络编码器和西安尼斯网络，通过训练对比损失函数提升模型在复杂环境下的鲁棒性。实验结果表明，该方法在精度和速度上均优于当前最先进的技术，具备实时识别的潜力。

本研究提出ChordFormer，结合卷积神经网络与变换器，解决大词汇量音频和弦识别中的样本不足问题，提升了2%的帧级和6%的类别级准确率。

本研究提出了一种新方法DeepMSI-MER，通过对比学习和视觉序列压缩，解决多模态情感识别中的数据融合和模态相关性问题。实验结果表明，该方法在IEMOCAP和MELD数据集上显著提高了情感识别的准确性和鲁棒性。

本研究提出了TACLR方法，有效解决了产品属性值识别中的隐含值、分布外值和标准化输出问题。实验结果表明，TACLR在识别效率和准确性上显著优于现有方法，并成功应用于电商平台。

本研究提出了一种基于深度卷积随机配置网络的熔镁炉工作条件识别方法，解决了模型的泛化能力和可解释性不足的问题。通过生成高斯微分卷积核和强化学习修剪，显著提升了识别精度和可解释性。实验结果表明，该方法优于其他深度学习技术。

本研究提出了一种新方法，利用穿戴设备和开放数据集，解决光照变化对驾驶状态识别的影响。通过事件帧和脉冲神经网络，显著提升了识别的准确性和鲁棒性。

本研究比较了德国公共服务行政中的法律文本命名实体识别（NER）方法，包括基于规则、深度判别和深度生成模型，结果显示深度判别模型在处理复杂语义和句法方面表现最佳。

本文提出了一种基于时间谱的网络攻击流量检测与识别方法，旨在解决现有模型的鲁棒性不足和数据噪声干扰问题，通过滑动窗口构建特征序列，从而提高识别准确性。

本研究评估了基于ESP32-S3芯片的两种定向天线系统，旨在实现墙壁背后的远程人体活动识别。实验结果表明，在非直视条件下，系统的识别精度分别为92.0%和86.8%，验证了其可行性。

该研究解决了星追踪器在近空间工作时由于大气背景光和空气动力环境导致的星星缺失和虚假星的问题。文中提出了一种新颖的方法，通过将姿态解算引入匹配过程，利用频率统计法同时获得最终匹配和正确的姿态，显著提高了识别率和减少了解算时间，有望在星图识别领域带来重大的应用影响。

本文探讨了在摘要因果图中识别平均控制直接效应和平均自然直接效应的条件，强调了在隐藏混杂情况下的识别方法及其在复杂系统中的应用意义。

通过引入无源领域适应和脉冲波Jaccard注意力，SpGesture显著提升了脉冲神经网络在表面肌电图特征表示上的准确性，最高达89.26%，且在CPU上延迟低于100毫秒，显示出其实际应用潜力。

我们利用基于nnU-Net的伪标签和解剖导向的细化方法，创建了一个包含142个体素级标签的全身CT扫描数据集，覆盖533个体积，并获得专家认可。该方法无需手动标注，经过专家评估和深度学习测试，验证了其实用性。此外，还发布了可预测142种解剖结构的训练模型。

该研究提出了一种新方法，结合大型语言模型和少样本学习，用于识别新出现的恶意软件类型。实验结果表明，该方法在两种数据集上的平均准确率达到86.35%，并具有良好的泛化能力。该方法显示出在网络流量及物联网环境中的潜在应用价值。

本研究提出了一种基于大型语言模型的命名实体识别框架LLM-DER，解决了煤化工领域NER中缺乏标注数据的问题。实验结果表明，LLM-DER在领域特定实体识别中表现优异，验证了其有效性。

我们开发了一种统计力学方法来分析稀疏方程发现算法，通过试错选择超参数来平衡数据拟合和简洁性。统计力学的概念可以量化不确定性，在低数据限制下尤其有效。随着数据量的增加，我们的方法可以明确区分正确和错误辨识的不同疏松度和噪声诱导的相变。这种方法适用于各种其他方程发现算法。

本文介绍了一种新的基于源引导的相似性保持（S2P）框架，用于在线无监督领域适应任务。通过提取与目标数据最相似的源图像组成的支持集，S2P可以减轻灾难性遗忘，并在多个 OUDA 基准测试中优于先前的方法。