关键词： 智能合约   区块链   T5模型   机器学习   漏洞修复  

摘要： 针对以太坊智能合约漏洞修复问题,目前的研究主要集中在人工定义模板的方法上。此方法需要开发者具备丰富的专业知识,面对复杂漏洞时修复效果较差。在Solidity智能合约源代码层面,围绕智能合约的漏洞修复技术开展研究。引入机器学习的漏洞修复方式,设计并实现一个T5模型智能合约漏洞修复系统,解决人工依赖的问题。利用数据爬虫技术和数据增强技术,构建相应T5模型训练数据集。利用机器学习技术,训练智能合约漏洞修复T5模型。通过网络爬虫构建了一个测试数据集,对所提系统进行多角度的性能评估。在合约修复准确率、gas消耗和引入代码量等方面,与TIPS,SGUARD和Elysium等合约漏洞修复工具进行对比。实验结果表明,所提系统修复效果良好,整体性能优于其他漏洞修复工具。

关键词： 人工智能技术   计算机网络   机器学习   云智能时代  

摘要： 人工智能技术能够显著增强计算机网络的安全性、可靠性与稳定性,从而为计算机网络发展开辟出更为广阔的道路。对人工智能技术在计算机网络中的应用进行探讨,概述人工智能技术的定义及其在计算机网络中的应用价值,分析人工智能技术的关键算法及其在计算机网络中的应用现状,探究人工智能技术在计算机网络中的发展趋势,并提出相关注意事项,以期为相关人员(或工程)提供参考。

关键词： 人工智能   中学体育   智能教学   运动训练  

摘要： 随着人工智能技术的飞速发展,AI在教育领域的应用愈发广泛。将AI技术融入中学体育教学和训练,有助于创新教学模式、优化训练手段,提升体育教育的科学化和精细化水平。该文分析了AI技术在中学体育教育中的应用现状,探讨了AI在体育教学和训练中的应用路径,旨在为推动体育教育变革、培养学生核心素养提供参考。

关键词： 元宇宙   网络法治   人工智能   数字技术   虚拟财产  

摘要： 元宇宙的技术迭代催生了法律真空、新型失序行为泛化及跨区域司法管辖冲突等治理难题。当前检察机关面临法律监督机制滞后、数字法治能力结构性短缺及多元协同效能不足等现实挑战。因此,应构建“风险预防-规则供给-协同治理-国际共治”四位一体的治理框架:通过数字孪生技术建立犯罪预警模型,完善虚拟场景动态规则供给体系;搭建“检察监督+行政监管+平台治理”协同矩阵,创新链式合规激励制度;深度参与全球数字治理议程,推动跨境取证协作与司法互认规则建构。

关键词： 人工智能   文科院校   就业能力   网络安全类专业  

摘要： 大学生就业关系到民生福祉、社会稳定和高质量发展,而人工智能的快速发展使现有的就业结构发生了重大改变。文科院校网络安全类专业大学生作为就业群体之一,面对人工智能发展给其就业带来的冲击和机遇,应把握好就业形势,尽早找到属于自己的应对之策。文章通过问卷调查的形式对毕业生就业情况和用人单位满意度进行了跟踪,分析了文科院校网络安全类专业大学生就业能力的内涵、影响因素,从加强构建大学生就业指导体系、树立正确就业观等方面提出相应对策,旨在提升其就业能力。

关键词： 糖尿病视网膜病变   糖尿病性黄斑水肿   光学相干断层扫描   光学相干断层扫描血管成像   人工智能  

摘要： 糖尿病视网膜病变(diabetic retinopathy,DR)是糖尿病最常见的微血管并发症之一。目前的DR分级系统主要是基于立体彩色眼底照相,但光学相干断层扫描、光学相干断层扫描血管成像以及人工智能等技术在DR的严重程度评估中也起着至关重要的作用。应用新兴检查技术可以使DR的分级更加精准,使治疗方案更加个体化。本文对DR分级的发展历史和技术更新作简要综述,旨在为分级的优化提供启示。

关键词： 崩滑灾害   机器学习   易发性   空间异质性  

摘要： 灾害易发性评估通常是基于灾害空间分布特征进行概率建模,然而灾害本身存在空间异质性.本文以汶马高速汶川至理县段沿线崩滑灾害为例,为解决灾害的空间异质性问题,利用K-means算法将研究区灾害威胁对象(人员、财产)及危险程度(损毁房屋面积、损毁道路长度)进行空间聚类并赋予研究区不同聚类属性;从水文、地质、地貌条件等方面综合选取坡度、高程、坡向、曲率、地表切割度、河型弯曲系数、距构造带距离、岸坡坡体结构和地层岩性9个因子,将样本划分为70%的训练数据、30%的测试数据,对比K-RF模型与传统RF模型在易发性评估中的性能,以期为高速公路的运营安全及灾害防治提供理论支撑.结果表明:K-RF模型极高易发区共包含82.95%灾害点,相较于单一RF模型取得了更好的评价结果(AUC值提高5.4%);采用聚类的方法解决灾害空间异质性是可行的,但本文局限性在于未能从灾害本身反映灾害空间异质性,耦合模型结果本质上是易发性和易损性的综合反映.

关键词： 急性心肌梗死   机械并发症   不平衡处理   机器学习  

摘要： 目的:本研究目的是寻求处理AMI-MC这类高度不平衡数据的方法以及快速准确预测模型的构建。背景:急性心梗后机械并发症是严重威胁患者生命的疾病,早识别、早处理是改善患者预后的关键。但实际工作中对于该类患者的识别往往存在滞后性,因此快速预测高危人群是亟待解决的临床问题。方法:基于山西省心血管病医院的509例急性心肌梗死患者数据,通过多种机器学习分类器,建立了预测模型,并进行了系统的模型训练和评估。此外,针对数据集中存在的不平衡问题,我们采用了先进的不平衡处理策略,以优化模型的预测性能。结果:509例AMI-MC患者数据中,仅有45例MC数据,经不平衡处理后,各算法准确率以及召回率等评价指标得分均得到了明显提升。最高准确率(0.987)、最高敏感性(0.999)、最高精确率(0.982)、最高F1分数(0.991)、最高敏感性(0.967)。并且各个模型在处理后数据上的AUROC得分较原数据而言均有明显提升(0.69521→0.96495)。LVEF是最影响机械并发症的特征,结合其他6个重要特征构建模型,在保持高召回率(1.0)的同时,准确率也达到了0.941、敏感性为0.935、F1分数为0.966。结论:本研究为提早预测急性心肌梗死的机械并发症提供了新的视角和方法,发现了LVEF在其中的关键影响,以及不平衡处理在提升模型性能中的显著作用。Objective: The purpose of this study was to seek methods for handling highly unbalanced data such as AMI-MC and the construction of a fast and accurate prediction model. Background: Mechanical complications after acute cardiac infarction are serious life-threatening diseases, and early recognition and management are the key to improving patients’ prognosis. However, in practice, there is often a lag in the identification of such patients, so rapid prediction of high-risk groups is a clinical problem that needs to be solved urgently. Methods: Based on the data of 509 patients with acute myocardial infarction in Shanxi Provincial Cardiovascular Disease Hospital, a prediction model was established by using various machine learning classifiers and systematic model training and evaluation was performed. In addition, for the imbalance problem existing in the dataset, we adopted an advanced imbalance processing strategy to optimize the prediction performance of the model. Results: In the data of 509 AMI-MC patients, there are only 45 cases of MC data. After imbalance processing, the accuracy, recall rate, and other evaluation metrics of each algorithm were significantly improved. The highest accuracy (0.987), the highest sensitivity (0.999), the highest precision (0.982), the highest F1 score (0.991), and the highest sensitivity (0.967). Moreover, the AUROC scores of various models on the processed data hav

关键词： 人工智能   医学免疫学   医学教学  

摘要： 人工智能(Artificial Intelligence,AI)在医学领域应用广泛,为医学教育的发展与革新带来新机遇。其已融入多门医学学科教学,具有创新教学方式、提升教学效率等成效。医学免疫学作为医学学科的核心课程,教学难点在于免疫机制复杂、知识抽象,且理论与实验联系紧密。文章围绕人工智能在医学免疫学教学中的应用与挑战展开讨论,旨在助力培养具备现代医学技能和智能创新思维的医学人才。

关键词： 模糊策略   Rete规则匹配   遗传算法   人工智能   教学系统  

摘要： 为提高人工智能教学系统的个性化水平,提出一种模糊策略结合Rete规则匹配的规则引擎及教学系统。首先,结合Rete的基本原理,分别添加索引方法和共享度模型,同时采用遗传算法Ret进行优化;其次,基于对RETE算法的改进,构建基于数据缺失的模糊推理策略,以提高知识推理的效果;结果表明,本方法可对Jena内置中的A、B、C三个规则集实现有效挖掘,推理时间大大提高;对于不同的三元组数量,本规则推理引擎内存消耗总量仅为6.6 MB,低于传统的Drools规则引擎和Jess规则引擎;将上述规则引擎部署到人工智能教学系统中,可有效实现对系统采集到的网络安全信息的警告关联。由此得出,本方法及系统表现出良好的推理水平。