查看“WikiEdge:ArXiv速递/2025-03-28”的源代码

== 摘要 ==
* '''原文标题'''：Comparison between neural network clustering, hierarchical clustering and k-means clustering: Applications using fluidic lenses
* '''中文标题'''：神经网络聚类、层次聚类与K均值聚类的比较：基于流体透镜的应用
* '''发布日期'''：2025-03-28 14:01:12+00:00
* '''作者'''：Graciana Puentes
* '''分类'''：physics.optics, cs.LG
*'''原文链接'''：http://arxiv.org/abs/2503.22448v1
'''中文摘要'''：本研究对[[神经网络聚类]](NNC)、[[层次聚类]](HC)和[[K均值聚类]](KMC)进行了比较，以评估这三种[[机器学习]](ML)技术在将大型[[数据集]]组织成簇时的计算优势。针对NNC方法，我们对一组[[波前传感器]]重建数据（分解为15项[[泽尼克系数]]，用于表征[[流体透镜]]传输的[[相位前]]光学[[像差]]）应用了[[自组织映射]](SOM)训练。通过分析SOM相邻[[权重]]距离、SOM样本命中、SOM权重位置和SOM权重平面，形成了对系统结构特性的可视化解释。在HC方法中，采用联合[[相异度]]-连接矩阵计算进行数据划分，该方法有效性通过较高的[[共表型相关系数]]值(c=0.9651)得以验证。通过设定0.8的[[不一致性截断值]]，最终确定7个簇作为系统分割的最大数量。此外，采用KMC方法建立[[聚类分割]]效率的量化指标，在K=5个非重叠簇的数据分割中获得了0.905的平均[[轮廓系数]]值。研究表明，HC的联合连接与相异度算法结合KMC形成的聚类方案，比单独使用NNC或HC评估更为可靠——后者若改变SOM尺寸或不一致性截断值可能导致全新的聚类构型。

== 摘要 ==
* '''原文标题'''：Depolarization studies on low-depolarizing Cu/Ti and Ni(Mo)/Ti neutron supermirrors
* '''中文标题'''：低去极化Cu/Ti与Ni(Mo)/Ti中子超镜的去极化研究
* '''发布日期'''：2025-03-28 16:03:35+00:00
* '''作者'''：Jose Manuel Gómez-Guzmán, Karina Bernert, Anton Devishvili, Christine Klauser, Bastian Märkisch, Ulrich Schmidt, Torsten Soldner
* '''分类'''：physics.ins-det
*'''原文链接'''：http://arxiv.org/abs/2503.22561v1
'''中文摘要'''：[[中子超镜]](SMs)是众多[[散射]]和[[粒子物理实验]]的关键组件。由于[[Ni(Mo)/Ti超镜]]相较于[[Ni/Ti超镜]]具有更低的[[饱和磁化强度]]，迄今被广泛应用于[[极化中子束]]传输实验。然而，新一代[[β衰变实验]]要求超镜每次反射的[[退极化率]]低于10^-4才能达到目标精度，而[[Ni(Mo)/Ti超镜]]反射导致的[[极化中子束]]退极化尚未达到该精度量级的测量结果。近期开发的[[Cu/Ti超镜]]相比[[Ni(Mo)/Ti超镜]]具有极低[[饱和磁化强度]]，可能成为替代方案。本文测试了两种镜面的性能：首先在[[SuperADAM中子反射仪]]上测量[[Ni(Mo)]]和[[Cu]]单层的四态[[极化中子反射率]](PNR)曲线，通过全[[极化分析]]显示两种材料的[[磁散射长度密度]](mSLD)存在差异，其中[[Cu]]的mSLD低于[[Ni(Mo)]]；该结果在m=2的[[Ni(Mo)/Ti超镜]]和[[Cu/Ti超镜]]四态PNR曲线全[[极化分析]]中得到验证。其次利用[[Opaque Test Bench装置]]测量相同超镜反射后的[[退极化率]](D)，在1σ置信水平下获得[[退极化率]]上限：D_Cu/Ti(4N5)<7.6×10^-5、D_Ni(Mo)/Ti<8.5×10^-5、D_Cu/Ti(2N6)<6.0×10^-5（其中(4N5)对应[[钛]]纯度99.995%，(2N6)对应99.6%）。统计[[不确定度分析]]表明三种超镜均适用于新一代[[β衰变实验]]，且未发现[[退极化率]]与[[q值]]或样品所处[[磁化场]]的显著相关性。

== 摘要 ==
* '''原文标题'''：Advancing DevSecOps in SMEs: Challenges and Best Practices for Secure CI/CD Pipelines
* '''中文标题'''：推进中小企业DevSecOps实践：安全CI/CD管道的挑战与最佳实践
* '''发布日期'''：2025-03-28 16:55:41+00:00
* '''作者'''：Jayaprakashreddy Cheenepalli, John D. Hastings, Khandaker Mamun Ahmed, Chad Fenner
* '''分类'''：cs.CR, cs.CY, cs.SE, D.2.2; K.6.5; D.2.9
*'''原文链接'''：http://arxiv.org/abs/2503.22612v1
'''中文摘要'''：本研究评估了[[中小型企业]]（[[SMEs]]）对[[DevSecOps]]的采用情况，识别了关键挑战、最佳实践和未来趋势。通过基于[[技术接受模型]]（[[TAM]]）和[[创新扩散理论]]（[[DOI]]）的混合方法，我们分析了来自405名[[中小企业]]专业人士的调查数据，结果显示虽然68%的企业已实施[[DevSecOps]]，但采用过程受到[[技术复杂性]]（41%）、[[资源限制]]（35%）和[[文化阻力]]（38%）的阻碍。尽管73%的企业领导层将[[安全]]作为优先事项，[[自动化]]缺口仍然存在，仅有12%的组织在每次提交时进行[[安全扫描]]。
研究发现突显了[[安全工具]]的日益整合，特别是[[API安全]]（63%）和[[软件成分分析]]（62%），但[[容器安全]]的采用率仍然较低（34%）。展望未来，[[中小企业]]预计[[人工智能]]和[[机器学习]]将对[[DevSecOps]]产生重大影响，强调了主动采用[[AI驱动安全增强]]的必要性。基于研究结果，本文提出了增强[[CI/CD管道]]安全的战略最佳实践，包括[[自动化]]、[[领导力]]驱动的[[安全文化]]以及[[跨团队协作]]。

== 摘要 ==
* '''原文标题'''：Understanding Software Vulnerabilities in the Maven Ecosystem: Patterns, Timelines, and Risks
* '''中文标题'''：理解Maven生态系统中的软件漏洞：模式、时间线与风险
* '''发布日期'''：2025-03-28 12:52:07+00:00
* '''作者'''：Md Fazle Rabbi, Rajshakhar Paul, Arifa Islam Champa, Minhaz F. Zibran
* '''分类'''：cs.SE
*'''原文链接'''：http://arxiv.org/abs/2503.22391v1
'''中文摘要'''：[[软件库]]和[[可复用组件]]中的[[漏洞]]会引发重大[[安全挑战]]，尤其在[[Maven]]这类[[依赖密集型生态系统]]中。本文采用[[Goblin框架]]对[[Maven生态系统]]的[[漏洞]]进行了大规模分析，重点研究[[漏洞类型]]特征、[[文档记录]]延迟及[[修复时间线]]的影响。我们识别出77,393个存在[[漏洞]]的版本，涉及226种独特[[CWE]]漏洞类型。平均而言，[[漏洞]]需要近五年时间被记录，4.4年时间被修复，部分[[漏洞]]甚至超过十年仍未解决。[[漏洞记录]]与[[修复]]的延迟给[[库使用者]]带来[[安全风险]]，凸显了[[Maven生态系统]]需要更审慎高效的[[漏洞管理机制]]。

== 摘要 ==
* '''原文标题'''：Cross-Technology Generalization in Synthesized Speech Detection: Evaluating AST Models with Modern Voice Generators
* '''中文标题'''：跨技术泛化在合成语音检测中的评估：基于AST模型与现代语音生成器的研究
* '''发布日期'''：2025-03-28 15:07:26+00:00
* '''作者'''：Andrew Ustinov, Matey Yordanov, Andrei Kuchma, Mikhail Bychkov
* '''分类'''：cs.SD, cs.CR, eess.AS
*'''原文链接'''：http://arxiv.org/abs/2503.22503v1
'''中文摘要'''：本文评估了音频[[频谱变换器]]([[AST]])架构在[[合成语音]]检测中的应用，重点关注其在不同现代[[语音生成]]技术间的[[泛化能力]]。通过采用[[差异化增强]]策略，该模型在测试[[ElevenLabs]]、[[NotebookLM]]和[[Minimax AI]][[语音生成器]]时总体达到0.91%的[[等错误率]]。值得注意的是，仅使用单一技术102个样本进行[[训练]]后，模型展现出强大的跨技术[[泛化能力]]，在完全未见过的[[语音生成器]]上实现3.3%的[[等错误率]]。本研究为快速适应新兴[[合成技术]]建立了[[基准]]，并证明基于[[变换器]]的架构能够识别不同[[神经语音合成]]方法中的共有[[伪影]]，有助于构建更[[鲁棒]]的[[语音验证系统]]。