• 利用机器学习在区块链上检测智能庞氏骗局：一项全面调查

  摘要庞氏骗局这种存在一个多世纪的欺诈手段，最近开始渗透到基于区块链的加密货币领域，尤其是在比特币和以太坊这两种最受欢迎的加密货币中，此类骗局的数量激增。仅在这两个平台上，犯罪分子每年就从轻信的投资者手中骗取了数十亿美元。智能庞氏骗局对这些加密货币生态系统构成了威胁，降低了投资者对这些前沿技术的信心，危及了它们的安全性，并阻碍了它们的发展与更广泛的普及。对于执法部门来说，这些智能庞氏骗局也带来了巨大挑战，因为追踪诈骗者、采取对策以及追回受害者投资都十分困难。多年来，研究人员利用机器学习和人工智能领域的重大进展来检测并及时提醒用户不要投资于比特币和以太坊上的庞氏骗局。然而，这些研究往往相互孤立，缺

  来源：Distributed Ledger Technologies: Research and Practice

  时间：2025-11-07

• 支付渠道网络边缘的路径规划

  摘要支付通道网络（Payment Channel Networks, PCNs）通过增加可处理的支付数量来提高加密货币的可扩展性，同时降低这些支付的延迟。PCN 由节点之间的支付通道网络组成。为了在未通过支付通道直接连接的节点之间完成支付，必须确定一条由多个支付通道组成的支付路径。规划支付路径是一项计算成本较高的任务，因此对于边缘设备来说通常是不可行的。我们提出了一种新的方法来克服这一挑战，该方法让边缘设备利用服务提供商来协助完成路径规划。然而，与服务提供商共享支付数据可能会侵犯用户的隐私。为了解决这个问题，我们的方法整合了两种保护隐私的机制：第一种机制是对现有的一种称为“盲路径”（blind

  来源：Distributed Ledger Technologies: Research and Practice

  时间：2025-11-07

• 威胁情报研究的全面调查：一项基于测量的研究

  摘要多种与网络安全相关的信息来源，被称为威胁情报来源，常被用于应对复杂的网络攻击，例如高级持续性威胁攻击和勒索软件。在本文中，除了描述各种威胁情报来源外，我们还基于研究目的、研究方法和研究数据集的分类体系分析了相关研究趋势。我们回顾了2001年至2025年间发表的200多项与网络威胁情报相关的研究，并研究了代表性研究的趋势。调查发现，数据集存在一些问题，例如评估结果会受到数据集中所包含供应商的影响。因此，我们还进行了测量研究，以详细描述收集到的数据集。据我们所知，这是首次针对数据集进行测量研究，以揭示构建平衡数据集所需的信息。我们还指出了未来需要解决的开放性问题和挑战。

  来源：ACM Computing Surveys

  时间：2025-11-07

• 基于变压器的机器翻译的全面研究：识别大型语言模型中的研究空白及解决方案

  摘要本文探讨了基于变压器的机器翻译架构中面临的关键挑战，提出了解决特定问题的方法，并指出了研究人员可以重点关注的领域，以缩小现有差距，从而减少寻找研究机会所需的工作量。值得注意的是，我们的研究结果表明，基于BERT的模型在准确性方面表现优于基于Transformer的模型。此外，我们还讨论了大规模语言模型（LLMs）的各种应用。在对WMT14数据集（包含英语、德语和法语翻译）进行统计测试（t值、p值、Mann-Whitney U检验和Cliff’s Delta检验）后，我们发现基于BERT的模型在机器翻译任务中始终表现出更好的性能。据我们所知，这种类型的分析尚未在任何机器翻译研究论文中出现过。

  来源：ACM Computing Surveys

  时间：2025-11-07

• 基于语料库的区块链与宪法中人类价值观的分析

  摘要研究融入到技术先进系统中的价值观，可以为这些系统的采纳所带来的更广泛的社会影响提供新的视角。许多区块链网络是由来自具有不同社会和政治意识形态国家的人们共同开发和运营的。我们提出了一种基于数据的方法来研究区块链中的价值观，以及这些价值观与世界各地宪法中规定的价值观之间的关系。我们收集了一组新的数据集，其中包括来自代表性区块链文档的注释人类价值观参考信息，以及194个主权国家的独特宪法内容。我们进行了初步的数据集分析，以建立进一步研究的基准。分析结果表明，区块链中的价值观在与其所对应的地缘政治意识形态的一致性方面表现出中间立场。

  来源：Distributed Ledger Technologies: Research and Practice

  时间：2025-11-07

• 利用图表进行大型团队运动的高级分析：一项系统性映射研究

  摘要图论作为一种强大的数学框架，已成为模拟团队运动动态中复杂关系和模式的基石。本综述展示了一项全面的系统映射研究（Systematic Mapping Study, SMS）的结果，该研究旨在探讨研究团队在主要团队运动分析中采用的基于图的表示方法、模型和工具。我们对各种基于图的方法和模型进行了系统的分类和梳理，揭示了它们的应用、方法论以及对不断发展的体育分析领域的贡献。研究结果全面概述了这些方法论的成熟度和多样性，并提供了对新兴趋势的洞察。同时，我们也识别并深入讨论了潜在的研究空白。本研究旨在为研究人员、实践者和爱好者提供有价值的参考资源，帮助他们更好地理解主要团队运动分析中基于图的知识表示体

  来源：ACM Computing Surveys

  时间：2025-11-07

• 基于视觉的移动应用图形用户界面测试：一项调查

  摘要图形用户界面（GUI）已成为移动应用程序（apps）中最重要的组成部分之一。它是移动应用与终端用户之间的直接桥梁，直接影响终端用户的体验。忽视GUI的质量会削弱整个移动应用解决方案的价值和有效性。大量的研究工作致力于GUI测试，这是确保移动应用质量的有效方法之一。通过进行严格的GUI测试，开发者可以确保移动应用的视觉和交互元素不仅满足功能需求，还能提供无缝且用户友好的体验。然而，传统的测试方法依赖于源代码或布局文件，在效率和效果方面都存在挑战，因为实际呈现的GUI与预期之间存在差距。随着计算机视觉技术的发展，基于视觉的移动应用GUI测试方法应运而生，并取得了令人瞩目的进展。在这篇综述论文中

  来源：ACM Computing Surveys

  时间：2025-11-07

• 计算机视觉应用中的失真分类：当前进展、挑战与展望

  摘要在采集、处理、压缩、传输和存储过程中，视频和图像会经历各种失真和伪影。这些失真和伪影可能会影响高级计算机视觉（CV）任务的性能。因此，识别失真/伪影对于开发和改进CV技术至关重要。本文概述了影响图像和视频信号质量的失真和伪影，并提出了一个框架，强调了数据库的作用，尤其是在当前数据成为技术核心的时代。文中讨论了与CV和图像处理相关的各种方法，重点关注图像/视频中的失真检测与分类。同时分析了计算机视觉及相关数据库中开发的各种应用和技术。研究发现，虽然基于机器学习（ML）的方法在处理单一失真方面取得了有希望的结果，但在多失真分类方面仍面临挑战。此外，现有数据集中仍缺少一些失真类型，这表明有必要构

  来源：ACM Computing Surveys

  时间：2025-11-07

• 利用深度学习重新审视视觉显著性检测：近期进展综述

  摘要显著性对象检测（SOD）旨在识别图像或视频中最引人注目的区域，即那些能够自然吸引人类注意力的部分。它已成为计算机视觉领域的一个活跃研究方向，直接应用于视频摘要、智能裁剪、图像字幕生成和视觉跟踪等任务中。在过去的二十年里，人们付出了大量努力来模拟人类视觉系统处理和优先处理视觉信息的方式。这些方法已经从传统的、手工设计的技术发展到基于深度学习的模型。本文旨在对深度学习在显著性检测方面的进展提供一个清晰且结构化的概述，并总结了广泛使用的基准数据集、评估指标以及显著性检测发挥重要作用的关键应用领域。

  来源：ACM Computing Surveys

  时间：2025-11-07

• 针对数字取证对大型语言模型进行微调：案例研究及通用建议

  摘要大型语言模型（LLMs）在各个领域迅速获得了普及，包括数字取证（DF）。在这些领域中，LLMs 有潜力加速调查流程。尽管已有许多研究探索了 LLMs 在证据识别、文物分析以及报告撰写等任务中的应用，但针对特定取证场景对模型进行微调的研究仍然较少。本文旨在填补这一空白，提出了针对数字取证任务对 LLMs 进行微调的建议。通过一个聊天摘要的案例研究来展示这些建议的可行性，我们评估了多个经过微调的模型以评估它们的性能。研究最后总结了从该案例研究中获得的经验教训。

  来源：Digital Threats: Research and Practice

  时间：2025-11-07

• 探讨实现政府绩效的合作框架：一项关于数字化转型的定性案例研究

  摘要政府机构必须拥抱合作，以提高公共价值并解决由于流程分散和重复工作导致的效率低下问题。本研究基于协作治理理论和数字化转型能力，构建了一个合作框架。通过定性方法，分析了15次与政府员工的深入访谈、22份官方文件以及一个焦点小组视频，并采用主题编码进行分析。本研究提出了几种实现数字化政府合作转型的方法：首先，强调打破组织壁垒，通过审查数字化转型计划来识别共同项目，减少重复工作，并解决信息技术资源不平衡的问题；其次，倡导领导层保持中立，以协调各机构之间的规定；第三，推动敏捷的组织结构和动态能力，以提高适应性和应对快速变化的能力；第四，建议在统一的数字平台上采用集成商业模式来构建协作式政府服务，或者

  来源：Digital Government: Research and Practice

  时间：2025-11-07

• 从信息搜索到信息请求：设计RefuGPT——一款专为瑞士乌克兰难民设计的聊天机器人

  摘要难民面临的一个关键挑战是获取有关他们所在国家的相关信息。然而，在寻找信息的过程中，难民常常会感到迷茫。这种迷茫源于语言障碍、数字鸿沟、紧迫性以及不断变化的形势，这些因素阻碍了难民获取信息的能力。为了解决这一问题，我们设计了一个名为RefuGPT的聊天机器人，该机器人采用了严格的设计科学研究方法。RefuGPT利用大型语言模型（LLM）GPT-4的能力，同时从两个不同的信息来源获取信息：官方信息和基于社区的信息，并结合检索增强生成技术和基于提示的学习方法（见图1）。我们通过在自然环境中与乌克兰难民进行事后评估，来检验RefuGPT的实用性和易用性。结果表明，这款基于双层语言模型的聊天机器人能

  来源：Digital Government: Research and Practice

  时间：2025-11-07

• 基于大语言模型（LLM）的多轮对话系统最新进展研究

  摘要本研究全面回顾了多轮对话系统的相关研究，特别关注基于大型语言模型（LLMs）的多轮对话系统。本文旨在：(a) 总结现有的LLMs及其在下游任务中的应用方法；(b) 详细阐述多轮对话系统的最新进展，包括基于LLM的开域对话（ODD）和任务导向对话（TOD）系统，并介绍相关的数据集和评估指标；(c) 讨论由于LLMs的发展以及人们对多轮对话系统日益增长的需求而产生的一些未来研究方向和问题。

  来源：ACM Computing Surveys

  时间：2025-11-07

• 数字服务的个性化：它是如何受到欧盟成员国的推动的？

  摘要个性化是指根据每个个体的特点、需求或兴趣来调整数字服务的过程。尽管个性化是一个常见的概念，但在公共管理领域的个性化程度仍然很低。欧盟多年来一直在推动数字服务的个性化，但只有少数国家能够提供个性化的数字服务。本文研究了电子政务战略，以评估欧盟各国在推进数字公共服务个性化方面的情况。文章得出结论，大多数欧盟国家并未将个性化作为其电子政务战略的目标。

  来源：Digital Government: Research and Practice

  时间：2025-11-07

• 在公共服务的数字化转型过程中，价值共创与价值共毁的结果

  摘要将公共服务从传统模式转变为数字化模式通常被认为具有积极效果。最近，这些转型措施还包括让用户参与到新数字服务的设计、开发和交付过程中，以实现服务的共同创造。然而，除了创建数字化公共服务之外，其带来的实际影响尚不明确。因此，我们提供了实证证据，以说明在这些数字化转型过程中究竟创造了哪些类型的公共价值，同时也可能破坏了哪些公共价值。研究结果基于对40位数字化转型专家的调查，他们指出了在数字公共服务共同创造过程中产生的四种公共价值类型：1）经济价值；2）行政价值；3）公民价值；4）民主价值，并强调在某些情况下，这些公共价值也可能会被破坏。当数字化公共服务缺乏以用户为中心的设计理念或用户代表性时，就

  来源：Digital Government: Research and Practice

  时间：2025-11-07

• 区块链上质押池的潜力与风险

  摘要在几种基于权益证明（Proof of Stake, PoS）的区块链系统中，参与交易验证的节点可以创建一个质押池，其他节点可以将自己的权益委托给该质押池以获得更高的回报。我们建立了一个模型来分析在存在恶意节点的情况下质押池的形成机制，并证明了均衡状态的存在性和唯一性。接着，我们评估了质押池的潜在优势和风险。首先，允许存在质押池会降低区块链的安全性；然而，诚实的节点可以获得更高的回报。其次，通过选择最优的奖励分配方式，质押池可以防止恶意节点获得大量奖励。第三，当质押池所有者可以自由分配验证工作所带来的回报时，恶意节点可能会通过提供更高的回报来吸引更多的委托者，从而干扰区块链的正常运行。

  来源：Distributed Ledger Technologies: Research and Practice

  时间：2025-11-07

• 大型语言模型（LLM）代理的新出现的安全性与隐私问题：基于案例研究的调查

  摘要受大型语言模型（LLMs）快速发展的启发，LLM代理已进化为能够执行复杂任务的智能体。如今，LLM代理被广泛应用于各个领域，处理海量数据以与人类交互并完成任务。LLM代理的广泛应用证明了其显著的商业价值；然而，这也暴露了安全和隐私方面的漏洞。现阶段，对LLM代理的安全性和隐私性进行全面研究变得十分必要。本调查旨在全面概述LLM代理所面临的新出现的隐私和安全问题。我们首先介绍LLM代理的基本知识，接着对这些威胁进行分类和分析，随后讨论这些威胁对人类、环境及其他代理的影响。随后，我们回顾现有的防御策略，并探讨未来发展趋势。此外，该调查还包含了多种案例研究，以便于读者更好地理解相关问题。通过强调

  来源：ACM Computing Surveys

  时间：2025-11-07

• 针对基于机器学习的以太坊网络钓鱼检测系统的对抗性扰动的全面评估

  摘要机器学习（ML）模型被越来越多地用于检测以太坊中的欺诈行为，因为网络钓鱼和诈骗攻击会带来严重的安全风险。尽管这些模型具有很大潜力，但它们仍然容易受到对抗性操纵的影响。在本文中，我们对基于机器学习的以太坊网络钓鱼检测器在各种对抗性干扰下的性能进行了全面评估。我们研究了多种分类器，包括随机森林（Random Forest）、决策树（Decision Tree）、K-近邻（K-Nearest Neighbors）、图神经网络（Graph Neural Networks）和XGBoost，并将其与基于规则的分类器、基于梯度的分类器以及黑盒分类器进行了对比，这些分类器都面临着对抗性攻击。我们进行了详

  来源：Distributed Ledger Technologies: Research and Practice

  时间：2025-11-07

• 从SE（安全工程）的角度看大型语言模型（LLMs）：代码生成中的偏见、代码可解释性以及代码安全风险

  摘要大型语言模型（LLMs）凭借生成多样化内容（包括代码）的能力正在改变世界，但其中嵌入的偏见引发了重大担忧。在这篇文章中，我们通过分析训练数据中的偏见如何导致歧视性代码生成、代码解释的不透明性以及安全风险的增加，批判了将LLMs视为绝对可靠工具的普遍观点。基于现有文献（包括软件工程和人工智能伦理学领域的案例研究和理论框架），我们探讨了代码生成中偏见的具体表现形式，重点关注训练数据如何促成这些问题。我们研究了解读LLM生成代码所面临的挑战，强调了缺乏透明度的现象以及潜在的隐藏偏见，并探讨了有偏见的LLMs所带来的安全风险，尤其是可能被恶意行为者利用的漏洞。我们提出了一些缓解这些挑战的建议，强调

  来源：ACM Computing Surveys

  时间：2025-11-07

• 数学语言模型：综述

  摘要近年来，在数学领域中，利用语言模型（Language Models，简称LMs），包括预训练语言模型（Pre-trained Language Models，简称PLMs）和大规模语言模型（Large-scale Language Models，简称LLMs）取得了显著进展。本文对数学领域的语言模型进行了全面调查，从任务和方法两个不同角度系统地分类了关键的研究工作。调查结果显示，已经提出了大量的数学语言模型，这些模型进一步被划分为指令学习、基于工具的方法、基础的计算思维（CoT）技术、高级计算思维方法以及多模态方法。为了更深入地理解数学语言模型的优势，我们对它们的特点和性能进行了深入比较。

  来源：ACM Computing Surveys

  时间：2025-11-07

知名企业招聘：