通过结合智能手机设备的显著增长以及在敏感应用程序（如互联网银行）中使用移动平台的快速普及，使移动恶意软件迅速增加。本文提出了一种机器学习动态分析方法，为每个恶意软件检测提供可证明有效的置信保证，并且该保证对恶意和良性类别都适用并不受数据偏差的影响。所提出的方法基于一种名为一致性预测的新型机器学习框架，结合了随机森林分类器，在一个真实的 Android 设备上安装了 1866 个恶意应用程序和 4816 个良性应用程序的大规模数据集进行了性能测试。实验结果证明了所提出方法产生的输出的经验有效性、有用性和无偏性。

Dec, 2023

金融市场的价格波动被认为非常嘈杂，为减少风险并提高结果，我们采用了基于机器学习算法的模型集成方法，通过学习一系列模型并在测试时对数据进行修剪，预测固定期限收益。这种方法有望在更低的风险水平下获得更好的整体回报。

Oct, 2023

本研究利用深度学习直接对原始手机元数据建模，通过时间模式预测用户的基本人口统计信息，包括年龄和性别，并通过对模型假设的验证，获得了最先进的预测准确性。

Nov, 2015

在这篇论文中，作者描述了从关系数据库管理系统（RDBMS）到分布式大数据分析平台的转变，这个平台适用于大规模机器学习和数据挖掘，利用通信服务提供商 (CSPs) 的大规模交易数据资产以及数据分析技术，用于服务个性化、预测建模和产品优化，而这种数据分析技术是实现对数据的利用和挖掘的关键。

Feb, 2015

利用大数据分析和机器学习技术，研究移动网络中成千上万的呼叫详单数据来检测网络中的异常活动，通过使用神经网络模型来训练无异常的数据，使用 ARIMA 模型来预测未来交通，因此提高了模型的预测精度。

Jul, 2018

数据挖掘是一个有前景的领域，并且在多个领域中应用其预测能力。该文献提出了一种强大的预测模型，用于找到相关属性集，并解决了真实数据集的多维性和不平衡问题，帮助进行明智的决策。该模型在健康领域、教育、商业和欺诈检测领域的五个不同数据集上进行了测试，结果显示出模型的强大性和在各个领域的适应性。

Jun, 2024

本文提出了一种新的基于机器学习的方法，通过利用无线电测量特征来识别移动网络中的流氓无人机，取得了高的检测率，但在低空中检测精度会下降。

May, 2018

通过使用机器学习模型和从智能手机收集的数据，本文提出了一种新的方法来准确预测智能手机的剩余电池寿命，并成功地识别了电池寿命的预测特征及其适用场景。

Jan, 2018

本研究对 Mhealth 数据进行了分析，并使用了几种机器学习算法来预测人类的运动行为和健康状态，最终结果表明 XGBoost 相对其他算法表现更好。这项研究对于使用 Mhealth 预测一个人对特定运动比赛是否适合有着很大的前景和潜力。

Apr, 2023

该研究探讨了标签噪声分类器的稳健性，旨在提高模型对复杂实际场景中的噪声数据的抵抗能力，并通过整合对抗机器学习和重要性重新加权技术来解决标签噪声对实际应用的影响。

Dec, 2023