借助最新开发的数据集，结合了 Solar Dynamics Observatory/Helioseismic and Magnetic Imager (SDO/HMI) 和 Solar and Heliospheric Observatory/Michelson Doppler Imager (SoHO/MDI) 提供的信息，本研究利用支持向量机和回归模型等机器学习策略评估这一新数据产品在预测太阳耀斑后的高能太阳粒子事件方面的潜力，结果显示预测的准确率达到了 0.7，略高于之前的研究，然而仍需要更复杂的物理模型来更好地理解导致太阳粒子事件的基本过程。

Mar, 2024

使用多种航天器测量数据和遥感太阳系测量数据创建了一个验证、清洁和精心策划的数据集，用于驱动机器学习流程，用于预测太阳能粒子事件及其后续性质的概率预测模型。

Oct, 2023

使用基于深度卷积神经网络的异常检测技术，可以在大型强子对撞机的高能触发系统中实时拒绝 QCD 喷注并识别任何异常标记，包括软无聚类能量模式，使用非标准损失函数训练的自动编码器可检测 40％的 SUEP 事件，QCD 事件误标记率低至 2％。

Jun, 2023

大规模数据中心中的内存故障和无法纠正错误发生率之间的相关性，在不同的 CPU 架构中进行了调查和分析。利用机器学习技术在不同的处理器平台上进行了内存故障预测，并相比现有算法提高了 15% 的 F1 分数。最后，提供了一个 MLOps 框架，以在生产环境中持续改进故障预测。

Jun, 2024

通过对正确 able 错误和不可纠正错误的关联性进行综合研究，强调空时误差位信息的重要性，以减少 UE 引起的虚拟机中断约 59%。

Dec, 2023

本文介绍了一种用于监测、聚合和检查微架构事件的新型故障注入器，通过利用微处理器的 PMU 和调试接口，重点确保故障注入的重复性，与 SACRES 所需的关键时间可预测性之间建立了强大的相关性，从而实现对软错误的影响的全面分析。

Jan, 2024

提出用于动态环境下智能修正和自我更新的数据处理系统的框架，称为 Self-Updating Models with Error Remediation（SUMER），通过半监督学习和噪声处理技术，自我更新模型以适应新数据，并使用 error remediation 调整数据效果。该框架在各种数据集和迭代中具有优异的表现。

May, 2020

开发了一种新型的基于 MCU 的不确定性感知的事件检测框架，通过应用证据理论实现准确的事件检测和可靠的不确定性估计，提供高效的模型推断、节省能量和内存，并取得明显优于传统不确定性基线方法的结果。

Feb, 2024

本文利用集成学习方法构建了 CMETNet 模型，通过对太阳风暴中的 CMEs 进行特征提取和图像处理，成功预测了 CMEs 到达地球的时间，平均绝对误差 9.75 小时。

Apr, 2023

提出了 SECOE 方法，使用机器学习模型的集成来处理物联网领域中传感器的故障和数据不完整性等问题，该方法可以显著提高物联网应用程序的鲁棒性和准确性。

Oct, 2022