Since our fiscal year 1994 started on August 1,1993,we have received financial aid from 28 support-ers.Here we wish to express our sincere thanks to oursupporters for their kind consideration in sharing ourfinancial d...Since our fiscal year 1994 started on August 1,1993,we have received financial aid from 28 support-ers.Here we wish to express our sincere thanks to oursupporters for their kind consideration in sharing ourfinancial difficulties.Listed below are names of oursupporters with the number of years that they展开更多
世界少数民族语文研究院(SIL International)通过《世界民族语言》(Ethnologue:Languages of the World)定期发布世界各国语言状况数据,其中报道的中国语言状况的指标和数据,对于从世界看中国的视角了解认识中国的语言国情有一定的参考...世界少数民族语文研究院(SIL International)通过《世界民族语言》(Ethnologue:Languages of the World)定期发布世界各国语言状况数据,其中报道的中国语言状况的指标和数据,对于从世界看中国的视角了解认识中国的语言国情有一定的参考意义。文章描述和介绍该文献设定的“语言名称”“分布国家”“语言地位”“语言系属”和“文字情况”5种指标数据在中国语言现状中的分布,并对该国际组织关于我国语言国情的认知做一些中国语言规划视域下的分析与评议。展开更多
恶意域名的变种随着检测方法的增多而不断丰富,现有模型对于该类恶意域名的检测精度不高。为此,提出一种基于迁移学习的小样本变种域名检测算法。通过构造双向长短时记忆神经网络(bi-directional long short term memory,BiLSTM)和卷积...恶意域名的变种随着检测方法的增多而不断丰富,现有模型对于该类恶意域名的检测精度不高。为此,提出一种基于迁移学习的小样本变种域名检测算法。通过构造双向长短时记忆神经网络(bi-directional long short term memory,BiLSTM)和卷积神经网络(convolutional neural networks,CNN)的组合模型BiLSTM-CNN,提取域名上下文特征和局部语义特征,利用数据量充足的多家族恶意域名数据集进行预训练;迁移BiLSTM-CNN模型预训练的参数到小样本的恶意域名检测模型中,对新出现或新变种的小样本恶意域名进行检测。在多个小样本数据集和数据量充足的多家族恶意域名集上进行测试,运行结果表明,所提模型在数据量充足的多家族恶意域名数据集上可以实现95.17%的平均检测精度,在多个小样本数据集可以实现94.26%的平均检测精度。与当前经典的检测模型相比,所提模型整体检测性能表现良好。展开更多
文摘Since our fiscal year 1994 started on August 1,1993,we have received financial aid from 28 support-ers.Here we wish to express our sincere thanks to oursupporters for their kind consideration in sharing ourfinancial difficulties.Listed below are names of oursupporters with the number of years that they
文摘世界少数民族语文研究院(SIL International)通过《世界民族语言》(Ethnologue:Languages of the World)定期发布世界各国语言状况数据,其中报道的中国语言状况的指标和数据,对于从世界看中国的视角了解认识中国的语言国情有一定的参考意义。文章描述和介绍该文献设定的“语言名称”“分布国家”“语言地位”“语言系属”和“文字情况”5种指标数据在中国语言现状中的分布,并对该国际组织关于我国语言国情的认知做一些中国语言规划视域下的分析与评议。
文摘恶意域名的变种随着检测方法的增多而不断丰富,现有模型对于该类恶意域名的检测精度不高。为此,提出一种基于迁移学习的小样本变种域名检测算法。通过构造双向长短时记忆神经网络(bi-directional long short term memory,BiLSTM)和卷积神经网络(convolutional neural networks,CNN)的组合模型BiLSTM-CNN,提取域名上下文特征和局部语义特征,利用数据量充足的多家族恶意域名数据集进行预训练;迁移BiLSTM-CNN模型预训练的参数到小样本的恶意域名检测模型中,对新出现或新变种的小样本恶意域名进行检测。在多个小样本数据集和数据量充足的多家族恶意域名集上进行测试,运行结果表明,所提模型在数据量充足的多家族恶意域名数据集上可以实现95.17%的平均检测精度,在多个小样本数据集可以实现94.26%的平均检测精度。与当前经典的检测模型相比,所提模型整体检测性能表现良好。