Federated Learning (FL) has recently become an effective approach for cyberattack detection systems, especially in Internet-of-Things (IoT) networks. By distributing the learning process across IoT gateways, FL can improve learning efficiency, reduce communication overheads and enhance privacy for cyberattack detection systems. Challenges in implementation of FL in such systems include unavailability of labeled data and dissimilarity of data features in different IoT networks. In this paper, we propose a novel collaborative learning framework that leverages Transfer Learning (TL) to overcome these challenges. Particularly, we develop a novel collaborative learning approach that enables a target network with unlabeled data to effectively and quickly learn "knowledge" from a source network that possesses abundant labeled data. It is important that the stateof-the-art studies require the participated datasets of networks to have the same features, thus limiting the efficiency, flexibility as well as scalability of intrusion detection systems. However, our proposed framework can address these problems by exchanging the learning "knowledge" among various deep learning models, even when their datasets have different features. Extensive experiments on recent real-world cybersecurity datasets show that the proposed framework can improve more than 40% as compared to the state-of-the-art deep learning based approaches.
There are many methods and techniques which have been promoted to develop adaptive hypermedia systems [1]. Our model approach [2], generating adaptive courses based on learner's profile which learner's includes background, skills, style...etc. One of important steps in our model is to generate learning path adaptive for each learner. In this paper, we promote an algorithm based on shortest path search algorithm to evaluate learning object (LO) based on its attributes [3] and constructed a Bayesian Belief Network (BBN) to generate learning path for each learner. Tóm tȃt. Nhiề u phu . o . ng pháp cũng nhu . kỹ thuâ . t du . o . . c dề xuất dê ' phát triê ' n các hê . thống ho . c thích nghi. Mô hình cu 'a chúng tôi phát triê ' n nhȃ ' m ta . o ra các khóa ho . c thích nghi du . . a trên các thông tin về ngu .ò. i ho . c nhu . kiến thú . c, kỹ nȃng, so . ' thích v..v. Mô . t trong nhũ . ng bu .ó. c quan tro . ng cu 'a mô hình là ta . o ra các tiến trình ho . c thích nghi cho tù . ng ngu .ò. i ho . c. Bài báo này chúng tôi trình bày thuâ . t toán du . . a trên thuâ . t toán tìm du .ò. ng di ngȃn nhất dê ' lu . . a cho . n các dối tu . o . . ng ho . c du . . a vào thuô . c tính cu 'a chúng và xây du . . ng ma . ng xác suất Bayesian Belief dê ' ta . o ra các tiến trình ho . c phù ho . . p vó . i nhu cầ u ngu .ò. i ho . c.
Mục tiêu: Đánh giá kết quả điều trị và độc tính của phác đồ Pemetrexed và Cisplatin trên bệnh nhân ung thư phổi giai đoạn IIIB và IV. Đối tượng và phương pháp: Can thiệp lâm sàng không đối chứng trên 56 bệnh nhân ung thư phổi không tế bào nhỏ giai đoạn IIIB và IV. Kết quả: Sau 06 chu kì đáp ứng một phần 22/56 (39,3 %), bệnh ổn định 26/56 (46,4 %), lợi ích lâm sàng 85,7%. Có 06 bệnh nhân hạ bạch cầu độ 3,4 chiếm 10,7%. Thời gian sống thêm không bệnh là 6,1 ± 3,3 tháng , thời gian sống thêm toàn bộ là 10,7 ± 4,1 tháng. Tỷ lệ sống thêm 1 năm và 2 năm là 42,4% và 17,5%. Kết luận: Phác đồ Pemetrexed – Cisplatin có hiệu quả và dung nạp tốt trên các bệnh nhân ung thư phổi không tế bào nhỏ giai đoạn di căn xa
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.