在不断增长的互联网世界中，获取关键数据（例如密码和登录凭据以及敏感的个人信息）的多种方法已扩大。页面模仿（通常称为网络钓鱼）是获取此类宝贵信息的一种方法。网络钓鱼是黑客最直接的网络攻击形式之一，也是受害者最简单的网络攻击形式之一。它还可以为黑客提供访问目标的个人和公司帐户所需的一切。这样的网站不提供服务，而是从用户那里收集个人信息。在本文中，我们在使用经常性神经网络检测恶意URL方面达到了最先进的准确性。与以前查看在线内容，URL和流量编号的研究不同，我们只是查看URL中的文本，这使其更快并捕获了零日的攻击。该网络已被优化，可用于移动器等小设备，而没有牺牲推理时间。

许多现有人员的重新识别（RE-ID）方法取决于特征图，这些特征图可以分区以定位一个人的部分或减少以创建全球表示形式。尽管部分定位已显示出显着的成功，但它使用了基于位置的分区或静态特征模板。但是，这些假设假设零件在给定图像或其位置中的先前存在，忽略了特定于图像的信息，这些信息限制了其在挑战性场景中的可用性，例如用部分遮挡和部分探针图像进行重新添加。在本文中，我们介绍了一个基于空间注意力的动态零件模板初始化模块，该模块在主链的早期层中使用中级语义特征动态生成零件序列。遵循自发注意力的层，使用简化的跨注意方案来使用主链的人体部分特征来提取各种人体部位的模板特征，提高整个模型的判别能力。我们进一步探索零件描述符的自适应加权，以量化局部属性的缺失或阻塞，并抑制相应零件描述子对匹配标准的贡献。关于整体，遮挡和部分重新ID任务基准的广泛实验表明，我们提出的架构能够实现竞争性能。代码将包含在补充材料中，并将公开提供。

移动通知系统在各种应用程序中起着重要作用，以通信，向用户发送警报和提醒，以告知他们有关新闻，事件或消息的信息。在本文中，我们将近实时的通知决策问题制定为马尔可夫决策过程，在该过程中，我们对奖励中的多个目标进行了优化。我们提出了一个端到端的离线增强学习框架，以优化顺序通知决策。我们使用基于保守的Q学习的双重Q网络方法来应对离线学习的挑战，从而减轻了分配转移问题和Q值高估。我们说明了完全部署的系统，并通过离线和在线实验证明了拟议方法的性能和好处。

收集的数据量不断增长，其分析以提供更好的服务正在引起人们对数字隐私的担忧。为了解决隐私问题并提供实用的解决方案，文献依赖于安全的多方计算。但是，最近的研究主要集中在多达四个政党的小党诚实造成的设置上，并指出了效率的问题。在这项工作中，我们扩展了策略，以在中心舞台上以效率为诚实的多数参与者。在预处理范式中，我们的半冬季协议改善了Damg \ aa Rd和Nielson（Crypto'07）十年最先进的协议的在线复杂性。除了提高在线沟通成本外，我们还可以在在线阶段关闭几乎一半的各方，从而节省了系统的运营成本高达50％。我们恶意安全的协议也享有类似的好处，除了一次性验证外，只需要一半的当事方。为了展示设计协议的实用性，我们基准了使用原型实现的深度神经网络，图形神经网络，基因组序列匹配以及生物识别匹配等流行应用程序。我们改进的协议有助于在先前的工作中节省高达60-80％的货币成本。

在这项工作中，提出了两种机器学习方法的整合，即适应和可解释的AI，以解决这两个广义检测和解释性的问题。首先，域名对抗神经网络（DANN）在多个社交媒体平台上开发了广义的错误信息检测器，DANN用于为具有相关但看不见的数据的测试域生成分类结果。基于DANN的模型是一种传统的黑盒模型，无法证明其结果合理，即目标域的标签。因此，应用了可解释的局部模型 - 反应解释（LIME）可解释的AI模型来解释DANN模式的结果。为了证明这两种方法及其进行有效解释的广义检测的整合，Covid-19的错误信息被认为是案例研究。我们尝试了两个数据集，分别是CoAid和Misovac，并比较了有或没有DANN实施的结果。 Dann显着提高了精度测量F1分类评分，并提高了准确性和AUC性能。获得的结果表明，所提出的框架在域移动的情况下表现良好，可以学习域名特征，同时使用石灰实现解释目标标签，从而实现可信赖的信息处理和提取，从而有效地打击错误信息。

在现代化的计算时代，机器学习工具已经证明了他们在重要的部门（如医疗保健和金融）中的潜力，以获得适当的推论。这些部门中数据的敏感和机密性质对数据隐私提出了真正的担忧。这激发了隐私保留机学习（PPML）的区域，其中保证了数据的隐私。在本文中，我们使用安全的多方计算（MPC）技术在安全的外包计算（SOC）设置中为PPML设计一个有效的平台MPCleague。 MPC，安全分布式计算的圣杯问题​​，使一组N个相互不信任的各方能够在他们的私人投入上执行联合计算，以便没有T派对的联盟可以了解更多信息，而不是产出（隐私）或影响计算的真实输出（正确性）。虽然MPC一般来说，一般来说是一个广泛的研究主题，但MPC的面积具有少数各方的潜在普及，主要是由于其应用于实时场景，效率和简单性。本文侧重于为2,3和4个缔约方设计高效的MPC框架，最多一个腐败并支持环形结构。本论文的核心是四个框架 - Astra，Swift，Tetrad，Aby2.0 - 迎合不同的环境。我们的框架的实用性是通过改进的广泛使用ML算法 - 线性回归，逻辑回归，神经网络和支持向量机的基准。我们为每个框架提出了两个变体，其中一个变体旨在最大限度地减少执行时间，而另一个变体集中于货币成本。我们的框架的具体效率收益加上强大的安全保证使我们的平台成为PPML技术实时部署的理想选择。

有效推论是一种数学框架，它起源于计算神经科学，作为大脑如何实现动作，感知和学习的理论。最近，已被证明是在不确定性下存在国家估算和控制问题的有希望的方法，以及一般的机器人和人工代理人的目标驱动行为的基础。在这里，我们审查了最先进的理论和对国家估计，控制，规划和学习的积极推断的实现;描述当前的成就，特别关注机器人。我们展示了相关实验，以适应，泛化和稳健性而言说明其潜力。此外，我们将这种方法与其他框架联系起来，并讨论其预期的利益和挑战：使用变分贝叶斯推理具有功能生物合理性的统一框架。

图表卷积网络（GCNS）广泛应用于许多应用，但仍需要大量标记的培训数据。此外，GCNS的邻接矩阵是稳定的，这使得数据处理策略无法有效地调整来自内置的图形结构的训练数据的数量。从本文中进一步提高了GCN的性能和自学能力，我们提出在一个区域（rrlfsor）.rrlfsor上的有效删除的gcns的高效自我监督的GCNS的学习策略（RRLFSOR）.rrlfsor可以被视为新的数据增强器来改进过度平滑。在两个有效和代表性的GCN模型上检查了rrlfsor使用三个公开引文数据集 - 科拉，Pubmed和CiteSeer。转换链路预测任务的实验表明，在三个基准数据集的准确性方面，我们的策略始终如一地始终如一的基线模型。

Pennylane是用于量子计算机可区分编程的Python 3软件框架。该库为近期量子计算设备提供了统一的体系结构，支持量子和连续变化的范例。 Pennylane的核心特征是能够以与经典技术（例如反向传播）兼容的方式来计算变异量子电路的梯度。因此，Pennylane扩展了在优化和机器学习中常见的自动分化算法，以包括量子和混合计算。插件系统使该框架与任何基于门的量子模拟器或硬件兼容。我们为硬件提供商提供插件，包括Xanadu Cloud，Amazon Braket和IBM Quantum，允许Pennylane优化在公开访问的量子设备上运行。在古典方面，Pennylane与加速的机器学习库（例如Tensorflow，Pytorch，Jax和Autograd）接口。 Pennylane可用于优化变分的量子本素体，量子近似优化，量子机学习模型和许多其他应用。

Diabetic Retinopathy (DR) is considered one of the primary concerns due to its effect on vision loss among most people with diabetes globally. The severity of DR is mostly comprehended manually by ophthalmologists from fundus photography-based retina images. This paper deals with an automated understanding of the severity stages of DR. In the literature, researchers have focused on this automation using traditional machine learning-based algorithms and convolutional architectures. However, the past works hardly focused on essential parts of the retinal image to improve the model performance. In this paper, we adopt transformer-based learning models to capture the crucial features of retinal images to understand DR severity better. We work with ensembling image transformers, where we adopt four models, namely ViT (Vision Transformer), BEiT (Bidirectional Encoder representation for image Transformer), CaiT (Class-Attention in Image Transformers), and DeiT (Data efficient image Transformers), to infer the degree of DR severity from fundus photographs. For experiments, we used the publicly available APTOS-2019 blindness detection dataset, where the performances of the transformer-based models were quite encouraging.