针对生成对抗网络(GAN)生成伪随机数质量不高和生成速度较慢的问题，提出了一种基于长短时记忆(LSTM)和可分离自注意力机制的WGAN-GP(LSA-WGAN-GP)模型。LSA-WGAN-GP模型通过将数据从一维扩展为二维，改进数据表示方式，以提取更层次的特征。创新性地提出了LSA(LSTM and separable Self-Attention)模块，融合LSTM和可分离自注意力机制，显著提升了伪随机数的不可回溯性和不可预测性。此外，通过精简网络结构有效减少了模型参数量，并提高了生成速度。实验结果表明，LSA-WGAN-GP生成的伪随机数可以100%通过美国国家标准与技术研究院(NIST)测试；与WGANGP(Wasserstein GAN with Gradient Penalty)和GAN相比，在频率和全局通用测试项的P值和通过率上均有提升；同时，在伪随机数生成速度上，LSA-WGAN-GP比WGAN-GP、GAN分别提升了164%和976%。LSA-WGAN-GP在保证生成伪随机数质量的同时，减少了模型的参数量，提高了生成伪随机数的速度。
社交媒体上图像和文本数据的快速增长导致人们对多模态讽刺检测问题的关注不断提高。然而，现有基于特征提取融合的检测方法存在一些缺陷：一是大多数方法缺乏多模态检测所需的底层模态对齐能力，二是模态融合过程忽视了模态间的动态关系，三是未能充分利用模态互补性。为此，提出一种基于单模态监督对比学习、多模态融合和多视图聚合预测的检测模型。首先，以CLIP模型（contrastive language image pre-training）作为编码器来增强图像和文本底层编码的对齐效果。其次，结合单模态监督对比学习方法，通过单模态预测来指导模态间的动态关系。然后，设计了全局-局部跨模态融合方法，利用每种模态的语义级表示作为全局多模态上下文与局部单模态特征进行交互，通过多个跨模态融合层提高模态融合效果，并减小了以往局部-局部跨模态融合方法的时间和空间成本。最后，采用多视图聚合预测方法充分利用图像、文本和图文视图的互补性。总之，该模型能有效捕捉多模态讽刺数据的跨模态语义不一致性，在公开数据集MSD上取得了比现有最好方法DMSD-Cl更好的结果。
针对恶意软件利用环境感知能力来逃避分析系统检测的现状,深入研究基于系统应用程序接口(Application Program Interface,API)的环境感知技术,并实现全面检测环境感知API的自动化工具EAFinder(Environment-Aware API Finder)。EAFinder...
详细信息
针对恶意软件利用环境感知能力来逃避分析系统检测的现状,深入研究基于系统应用程序接口(Application Program Interface,API)的环境感知技术,并实现全面检测环境感知API的自动化工具EAFinder(Environment-Aware API Finder)。EAFinder能够枚举所有的系统API,并在真机和模拟器中进行自动化调用,最终通过比较API在不同环境中的可访问性和返回值的差异,检测出环境感知API。实验结果显示EAFinder在Android 9至13上共检测出344个API,排除误报后得到323个可用于环境感知的API。将其按使用方式分为独立使用、基于阈值使用和组合使用三类,并抽样测试了各类API的有效性,结果显示利用这些API能以97%的准确率区分真实设备和模拟器。
事故灾难事理图谱可以全面表达事故发展过程、各子事件信息及多种事件关系,为事故灾难分析提供知识服务。针对事故灾难事理图谱构建中存在的时空关系中文语料匮乏、中文词汇边界模糊导致事件抽取不准确、隐式事件关系难以识别的问题,提出一种顾及时空关系的事故灾难事理图谱构建方法。该方法首先设计了基于命名规律性的词汇增强事件抽取模型,感知实体名称规律以确定事件信息边界和类型,然后采用一种融合注意力和门控空洞卷积的关系识别方法,获取多维度文本特征来挖掘潜在事件关系,并建立了含时空关系的中文事故灾难语料库(Chinese disaster corpus with spatiotemporal relationship,CDCSTR)。在CDCSTR和中文突发事件语料库上进行实验,结果表明,事件抽取模型的F1值分别达到88.59%和78.49%;与现有方法相比,关系识别模型在CDCSTR上的4个任务性能均有提升,尤其是空间关系识别优势明显,取得了3.08%以上的性能领先。以成乐高速追尾事故为例进行验证,构建的事理图谱能展示现实场景下的事故演化过程和时空变化特征,辅助事故应急工作。
暂无评论