通过应用先进的技术和方法,本研究提出了一个综合三级分层方法来评估和描述关键基础设施的破坏程度,并在乌克兰的桥梁案例中进行了验证。通过在不同尺度上应用技术,从区域到基础设施的组成部分,我们提高了评估的准确性,从而提高了决策速度,增强了恢复和应急能力。
Jan, 2024
基于一种新型无监督图深度学习模型(称为 FloodRisk-Net),本研究提出了一个集成的城市洪水风险评级模型,能够捕捉区域间的空间依赖关系和洪水危险和城市特征之间的复杂非线性相互作用,以确定突发洪水风险。利用美国多个都市统计区(MSAs)的数据,该模型将风险评级分为六个不同的城市特定级别,通过对每个 MSA 中的区域进行特征分析,可识别出塑造最高洪水风险的三种典型形态。洪水风险在每个 MSA 内以分层结构的空间分布,其中核心城市承担了最高的洪水风险。发现多个城市存在高整体洪水风险水平和低空间不平等,说明在城市发展和洪水风险减少之间的平衡选择有限。讨论了相关的洪水风险减少策略,考虑到最高洪水风险和洪水风险的空间分布不均等的形成方式。
Sep, 2023
本次 survey 总结了当前网络鲁棒性领域中的一些关键发现,对比了研究中最近和经典的图鲁棒性度量,并探讨了不同分类网络中的鲁棒度量,攻击策略和防御技术,并提供了对关键问题的回答,引导研究者和实践者进入此领域,同时总结了当前研究方向及未来发展方向。
May, 2021
本研究旨在揭示城市地区基础设施质量的不平等特征,并提出了一种基于机器学习的方法来计算基础设施质量的不平等程度,以此为基础推动数据驱动与机器智能为依据的综合城市设计策略,促进基础设施公平和环境正义。
Feb, 2024
本文介绍了利用机器学习技术进行工业物联网系统的安全性分析,漏洞评估和入侵检测,并在真实测试环境中验证了基于机器学习的异常检测系统在检测后门、命令注入和 SQL 注入攻击方面的有效性。
Nov, 2019
该论文旨在设计有效、高效、可扩展的技术,发现网络中的瓶颈节点和边,以增强网络的弹性,特别是在网络防御和信息传播的应用领域。
将复杂网络和机器学习技术相结合,提出了新的神经网络架构以及用于分析和预测人类流动的算法,并开发了用于追踪城市规划中的缺陷和关键节点的技术。
Jun, 2022
本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案,利用 Siemens PSS/E 软件模拟电网状况,并采用分类器(SVM、LSTM 等)进行训练和测试,结果证明其能够高精度地检测电网异常,并可扩展应用于更复杂的电网结构。
Nov, 2017
利用基于机器学习的方法,通过与人 - 基础设施系统性能相关的特征,对社区风险和韧性进行后评估,以及它们的互动。
Mar, 2024
提出 Devign,基于图表征学习的图层级分类模型,旨在识别软件系统中的漏洞函数,能够有效地训练和提取代码的语义表示特征。经过广泛的数据集评估,结果表明该模型在准确率和 F1 得分上,明显优于现有技术。
Sep, 2019