- 大型语言模型可以用作时间序列的零样本异常检测器吗？
本研究通过 sigllm 框架探索了大型语言模型在时间序列异常检测方面的应用，包括时间序列转文本处理模块和基于预测的探测方法，并在 11 个数据集上进行了评估，结果显示预测方法在 F1 分数上明显优于提示方法，但与最先进的深度学习模型相比， - 基于时间能量选择缩放和轨迹关联的小目标检测和跟踪新方法
通过利用时间特征，本文提出了一种基于时间能量选择缩放的检测方法，以及一种基于 3D Hough 变换的轨迹提取方法和轨迹基准的多目标跟踪方法，通过多个场景实验证明了这些方法的优越性。
- 寻求真相：一种审问方法用于幻觉检测
通过多个数据集和大型语言模型，包括 Llama-2，对该模型的幻觉水平进行广泛评估，并展示了我们的方法在自动检测幻觉方面的有效性，达到了 87% 的平衡准确率，而无需依赖外部知识。
- FRAD: 使用三元分类模型在以太坊上进行前置攻击检测
该研究针对以太坊上的前置交易攻击问题，提出了一种名为 FRAD 的新型检测方法，用于准确分类涉及交易位移、插入和压制的前置交易攻击，并通过实验证明，多层感知器（MLP）分类器在检测前置交易攻击方面达到了 84.59% 的准确率和 84.60 - 利用大型语言模型在社交媒体中检测影响活动
社交媒体影响力竞选对公共话语和民主构成重大挑战，传统检测方法因社交媒体的复杂性和动态性而力不从心。本文提出了一种新颖的检测方法，利用大型语言模型（LLMs）结合用户元数据和网络结构。通过将这些元素转化为文本格式，我们的方法能够有效处理多语言 - 扩散生成图像中的弱监督深度伪造定位
通过使用基于解释、局部分数或注意机制的三种方法，并利用 Xception 网络作为共同的骨干架构，我们将任务定为弱监督定位问题，并在方法选择、监督类型、数据集和生成器等方面进行了仔细分析；我们的研究通过构建数据集，其中只有一个组件发生变化， - 基于交叉注意力增强双流网络的人工智能图像检测
本研究提出了一种使用文本到图像生成过程中的残差网络和内容网络结合的检测方法以及跨多头注意机制来检测 AI 产生的虚假图片，并取得了优于传统 CG 检测技术的结果。
- 基于 CNN 的定向凝固镍基合金显微图像树枝核的检测
本文提出了一种基于分割任务的检测方法，通过 Easy Sample Detection (ESD)、Hard Sample Detection (HSD)、Hard Sample Refinement (HSR) 三步骤来检测树突核并筛选假 - 检测音视频语音识别的对抗攻击
本研究提出了一种基于音频和视频流之间时间相关性的攻击检测方法，利用同步置信度得分作为音视频相关性代理来检测对音视频语音识别模型的对抗攻击，并在 GRID 和 LRW 数据集上的实验结果表明该方法是检测此类攻击的有效方式。
- 深度网络生成的图像中的傅里叶频谱偏差
通过对高频傅里叶模式的分析，我们提出了一种基于图像频谱的检测方法，能够在 5000 张图像的数据集上实现高达 99.2% 的准确分类，并建议一种修改高频属性的方法以模拟真实图像。
- 当可解释性遇上对抗学习：使用 SHAP 签名检测对抗样本
本文介绍了一种新的检测方法，该方法使用计算深度神经网络分类器的内部层的 Shapley 加性解释（SHAP）值来区分正常和对抗输入。通过针对流行的 CIFAR-10 和 MNIST 数据集构建数据集，训练基于神经网络的检测器去区分正常和对抗 - MMMetaAdvDet：面向演化型对抗攻击的鲁棒性检测
通过元学习方法构建的双网络框架，旨在解决深度神经网络在遇到少量样本的新对抗攻击时检测精确度低的问题。在 CIFAR-10，MNIST 和 Fashion-MNIST 三个数据集上实验表明，该方法相比于传统的对抗攻击检测方法具有更高的有效性。
- 基于协同过滤推荐系统的异常用户识别
本文提出一种新颖的检测方法，通过利用最小二乘近似解，找到评级行为和项目分布之间的映射模型，并使用回归器设计检测器，从而使推荐系统抵抗 “钓鱼” 攻击或 “植入个人资料” 攻击，实验证明我们的方法在检测效果上胜过了 KNN 等基准方法。
- 高斯过程的最优变点检测
该研究探讨了一维高斯过程数据的均值变化检测问题，并提出了基于广义似然比检验的检测方法，该方法在固定域和增长域的两个设置中都几乎渐近地达到最优水平，主要特点是充分利用了高斯过程协方差结构所捕捉到的数据依赖性，即使协方差未知，我们也提出了插件