Leakage-Safe and Scheduler-Aware Machine Learning for Grid Job Runtime Prediction
本文针对网格作业运行时间预测问题,采用仅基于提交时属性的泄漏安全方法,并使用CatBoost等模型进行评估,提高了调度器感知资源管理的准确性。
0 citationsRead paper
本文针对网格作业运行时间预测问题,采用仅基于提交时属性的泄漏安全方法,并使用CatBoost等模型进行评估,提高了调度器感知资源管理的准确性。
本文提出PatchRisk,通过分析软件包依赖图预测未来间接漏洞暴露风险,使用时间、结构和历史特征提高预测准确性。
研究通过区分通用与非通用重复内容,使用LLM辅助标注和监督分类器处理187,000条推文,以提高信息操作中基于重复内容的协调行为分析准确性。
研究针对员工使用个人AI工具(BYOAI)带来的风险,通过文献综述构建了一个参数化治理模型,以评估不同治理成熟度对降低剩余风险的影响。
研究探讨了工作场所监控在检测内部威胁时的合法性界限与隐私损害问题,提出改进透明度、培训及调整工具以更准确地识别相关行为和心理指标。
本文针对网格作业运行时间预测问题,采用仅基于提交时属性的泄漏安全方法,并使用CatBoost等模型进行评估,提高了调度器感知资源管理的准确性。
本文提出PatchRisk,通过分析软件包依赖图预测未来间接漏洞暴露风险,使用时间、结构和历史特征提高预测准确性。
研究通过区分通用与非通用重复内容,使用LLM辅助标注和监督分类器处理187,000条推文,以提高信息操作中基于重复内容的协调行为分析准确性。
研究针对员工使用个人AI工具(BYOAI)带来的风险,通过文献综述构建了一个参数化治理模型,以评估不同治理成熟度对降低剩余风险的影响。
研究探讨了工作场所监控在检测内部威胁时的合法性界限与隐私损害问题,提出改进透明度、培训及调整工具以更准确地识别相关行为和心理指标。