关注感知警示
本文旨在阐述如何使用上下文关注机制应用于长短期记忆网络，并在来自Twitter的多个滥用检测数据集上取得接近最先进的结果，以分析Twitter中的滥用行为，解决社交媒体平台被用作攻击渠道的问题。
Sep, 2018
本文章提出了一种基于用户不可用时分析个人电话日志数据以推断适宜呼叫中断时机，并发现相应电话静音模式配置规则以最小化呼叫中断的数据驱动方法。对实际移动电话数据集的实验表明，我们的方法能够通过捕捉个人用户在一天中不同时间和一周的各个时段中的行为习惯，识别出适宜电话中断的时机并生成相应的静音模式配置规则。
Oct, 2018
本文旨在探索移动通知与用户参与之间的互动特性，并提出状态转换框架及生存模型来量化其有效性，并在通知传递时间优化方面进行在线应用实例，以实现更好的决策、推动更多的用户参与和提供更多的价值。
Jul, 2022
提出了一种名为FARM的新型框架，利用外部知识来生成可靠的理由，在安全领域中结合了关键的重要特性，旨在帮助干系人管理其系统的风险，为消费者安全提供具体保障。
Dec, 2022
通过使用信息增益最大化启发式方法，我们开发了一种增强的主动学习方法，并在一个真实环境中对其有效性进行了评估，该环境中由于隐私问题，只能由人类分析员对电子邮件的编辑版本进行标记。在两个案例研究中，我们发现对模型性能进行最佳评估的方法是由一位高技能的分析员提供标签，并使用置信度评分来估计分析员的标签不确定性，并根据预期信息增益的优先级对实例进行标记。我们发现，信息增益最大化启发式方法相对于现有的采样方法为主动学习的模型性能提供了改进。基于所得结果，我们推荐在网络安全应用中实施主动学习之前应对分析员进行筛选和培训。我们还建议在主动学习的早期阶段使用基于专家置信度的信息增益最大化采样方法，前提是可以获得良好校准的置信度。我们还注意到在主动学习之前需要评估分析员的专业知识，因为我们发现具有较低标签技能的分析员在标签上的置信度较差。
May, 2024
通过建立“时间交互模型”（TIM），该研究提出了一种旨在改善移动应用用户参与度的综合通知时间控制策略。研究重点关注用户行为模式，通过估计每个时间段内点击率等用户历史交互特征，而不仅仅依赖上下文特征。通过离线实验和在线A/B测试，结果表明TIM是一种可靠的用户行为预测工具，能够显著提升用户参与度而避免不必要的干扰。
Jun, 2024