美国联邦贸易委员会正在完善一项决议，以加强其对电子商务交易中出现的安全缺陷的执法力度。该机构最近的行动涉及电话会议提供商Zoom Video Communications不当活动的指控，这是一个著名的例子。 在与Zoom达成和解后，FTC对与Zoom的服务相关的安全和隐私问题对公司提出了明确的特定要求。评论期于12月中旬到期后，2020年11月13日的和解协议正式生效。 美国联邦贸易委员会表示，与Zoom达成的协议要求该公司“实施强有力的信息安全计划，以解决有关视频会议提供商进行一系列欺骗性和不公平做法的指控，这些做法破坏了其用户的安全。” Zoom接受或接受委员会的指控后，既没有承认也没有否认委员会的指控。 广泛的电子商务涟漪效应 在电子商务世界中，重要的是，委员会在Zoom案中的行动所反映的不仅仅是内部政策，其目的是加强对电子商务问题的执行。根据Cleary Gottlieb的案例分析，FTC的行动还反映了联邦法院的裁决，该裁决导致委员会采取了更强有力和更有针对性的执法行动，而不是更一般的合规要求。 此外，FTC行动的影响远远超出了应用于视频会议服务的范围，并且影响了广泛的电子商务活动。 Alston and Bird的合伙人凯瑟琳·本威（Kathleen Benway）说：“缩放决定绝对适用。美国联邦贸易委员会（FTC）的决定“向所有以电子方式收集消费者个人信息的公司提供了教训。明智的做法是，此类公司应仔细审查Zoom投诉，并确保其系统和流程不会引起类似问题，”她对E-商业时报。 FTC在Zoom案中的指控的特殊性，为委员会关注并可能影响执法的电子商务交易类型提供了一些见解。 FTC在其投诉中表示，至少从2016年开始，Zoom声称其提供“端到端256位加密”来保护用户的通信，从而误导了客户，“事实上，它提供了较低的安全级别。” FTC解释说，端到端加密是一种确保通信安全的方法，因此，只有发送者和接收者（没有人，甚至平台提供商）也无法读取内容。 FTC表示，Zoom保留了实际上可以允许公司访问其客户会议内容的加密密钥，并以较低的加密级别来保证其电话会议的安全。根据Alston和Bird的案例分析，Zoom在2020年4月承认其服务通常无法进行端到端加密。 根据FTC的投诉，Zoom还错误地声称会议结束后立即加密了这些会议，从而误导了一些希望将记录的会议存储在公司云存储中的用户。取而代之的是，据称某些录音未加密地在Zoom的服务器上存储了长达60天，然后才转移到其安全的云存储中。 此外，Zoom部署了与Apple的Safari浏览器有关的操作机制，FTC将其描述为一种在没有充分通知或征得用户同意的情况下绕过Safari安全和隐私保护措施的方法。委员会认为，这种部署构成不公平的行为或作法。
【导读】专知内容组整理了最近五篇信息抽取（Information Extraction）相关文章，为大家进行介绍，欢迎查看! 1. Assertion-based QA with Question-Aware Open Information Extraction（基于Assertion的问答和问题感知的开放信息抽取） ---- ---- 作者：Zhao Yan,Duyu Tang,Nan Duan,Shujie Liu,Wendi Wang,Daxin Jiang,Ming Zhou,Zhoujun Li
Mihaly Csikszentmihalyi: Flow, the secret to happiness 什么样的人生才是幸福的？ 并不是物质，当物质水平高于平均值一定水平时，它就不是主要因素了。 调查表明，flow 这个状态会让人们感到幸福，主要由 Challenge 和 Skill 的水平决定。 下面这个图不错，纵轴是challenge，横轴是skill，level大小，黄色是最幸福的区域叫做flow，其他区域有各自的名字，想要达到的状态就是flow，看现在自己在哪个区域，就相应地行动去走入
代码地址：https://github.com/taishan1994/chinese_chengyujielong
bs4Dash 是一款基于 AdminLTE3 的 Bootstrap 4 Shiny 仪表盘模板框架，这个前端界面简洁清爽，用起来也和 Shinydashboard 非常类似，也易于学习使用。
导读：上一期了解了2018世界移动通信大会的相关介绍，今天我们来了解一下关于有感知力的AI的相关内容（文末更多往期译文推荐） 没有什么科幻小说比人工智能背叛人类的情节更能吸引观众。也许这是因为人工智能让我们开始真正面对人类这个概念。 但是从HAL 9000到Skynet到西部世界起义中的机器人，对具备感知力的人工智能的担忧感觉非常真实。即使埃隆·马斯克也担心人工智能的能力。 这些担心有没有根据呢？ 也许有，也许没有。 也许具备感知力的人工智能不会伤害人类，因为它比算法更能理解我们。虽然人工智能不断取得惊人
Curiosity-driven Exploration by Self-supervised Prediction 一项好的勘探政策是允许代理人访问尽可能多的国家，即使没有任何目标。我们期望良好的勘探政策能够覆盖尽可能多的地图；我们期望它访问尽可能多的游戏状态。令我们吃惊的是，我们发现在这两种情况下，无奖励代理都能很好地执行(请参见视频)。 https://github.com/pathak22/noreward-rl https://pathak22.github.io/noreward-rl/ r
Curiosity-driven Exploration by Self-supervised Prediction 一项好的勘探政策是允许代理人访问尽可能多的国家，即使没有任何目标。我们期望良好的勘探政策能够覆盖尽可能多的地图；我们期望它访问尽可能多的游戏状态。令我们吃惊的是，我们发现在这两种情况下，无奖励代理都能很好地执行报价(请参见视频)。 https://github.com/pathak22/noreward-rl https://pathak22.github.io/noreward-rl/
Curiosity-driven Exploration by Self-supervised Prediction
一、 [root@openstack-server ~]# nova list ERROR (CommandError): You must provide a username or user id via --os-username, --os-user-id, env[OS_USERNAME] or env[OS_USER_ID] 解决办法： source一下环境变量来获取 token [root@openstack-server src]# source admin-openrc.sh [root
RabbitMQ是实现了高级消息队列协议（AMQP）的开源消息代理软件（亦称面向消息的中间件）。RabbitMQ服务器是用Erlang语言编写的，而群集和故障转移是构建在开放电信平台框架上的。所有主要的编程语言均有与代理接口通讯的客户端库。
However, most MOIAs only adopt a single hypermutation operator to evolve each clone [23]–[25], which may induce some difficulties in solving complicated MOPs (e.g., complicated unconstrained MOPs such as the unconstrained functions (UFs) in [26]). This may be due to the fact that a single hypermutation operator will have difficulties to achieve a proper balance between proximity and diversity. This conforms to the no-free-lunch theorem that states that a single search strategy cannot have the best performance in terms of both proximity and diversity [27]. This motivated us to study whether multiple search strategies can be combined in MOIAs so that their search patterns can complement each other.
分布式计算是指会调用其它地址空间的程序，很可能是在其它机器上。调用者只知道一个接口，而关于被调用者的其它信息一无所知
今天谈谈我自己做研究的方法 —— 它跟随我多年，且一直在演进和完善中。我虽然没有读过 PhD（希望有生之年能够尝试一下），但我自认为这法子并不算差 —— 至少，它让我能够更加高效地进入一个新的领域，并且扎根于其中。如果你一直在读我的文章，好奇为何程序君涉猎范围这么广（就是这么爱给自己贴金），又扎得比较深（被自己帅哭了），那么，你可以仔细读读本文 —— 还是那就话，希望它对你有用，能给你哪怕一点点启发。 从问自己「为什么」开始 Simon Sneak 说 Great leaders start with wh
Any developer with a few years of experience writing client-side applications is acutely aware of how complicated text rendering can be. At least that’s what I thought until 2010 when I started writing libhwui, an OpenGL backend for Android 3.0’s 2D drawing API. I then realized that text gets even more complicated when you’re trying to use a GPU to draw it on screen.
【1】 The Holy Grail of Multi-Robot Planning: Learning to Generate Online-Scalable Solutions from Offline-Optimal Experts 标题：多机器人规划的圣杯：学习从离线最优专家那里生成在线可扩展的解决方案
【1】 Sensitivity of Optimal Retirement Problem to Liquidity Constraints 标题：最优退休问题对流动性约束的敏感性 链接：https://arxiv.org/abs/2108.09035
Ubuntu 16.04, Python 2.7 安装 TensorFlow CPU ---- 安装 Virtualenv $ sudo apt-get install python-pip python-dev python-virtualenv # for Python 2.7 创建 Virtualenv 环境 $ virtualenv --system-site-packages ~/tensorflow # for Python 2.7 激活 Virtualenv $ source ~/tensor
请注意，本文编写于 1165 天前，最后修改于 1165 天前，其中某些信息可能已经过时。
我要开发一个系统服务，服务的作用是定时检测并关闭其他应用的弹窗，但是开发后却发现，服务在运行是压根获取不到任何窗口。
【1】 Tilted Platforms: Rental Housing Technology and the Rise of Urban Big Data Oligopolies 标题：倾斜平台：租房技术与城市大数据寡头崛起 链接：https://arxiv.org/abs/2108.08229
本文精选了上周（0617-0623）最新发布的19篇推荐系统相关论文，主要研究方向包括大模型强化学习提升推荐新颖度、异质贝叶斯网络音乐推荐、大模型类别引导的零样本推荐、推荐架构加速、利用图学习增强语言模型推荐系统、多语言新闻推荐、高效序列推荐、大模型增强的多场景推荐、大模型工作推荐、基于图的标签推荐、多模态扩散模型推荐、大模型新闻推荐、为大模型推荐蒸馏序列模式、将图卷积和对比学习统一到协同过滤框架、大模型增强的重排等。
part of Hypertext Transfer Protocol — HTTP/1.1 RFC 2616 Fielding, et al.
通过这个，本系列的第四个也是最后一个条目，你应该掌握信息安全基础知识。让我们先盘点一下，然后再继续往下探究。
这个练习使用的是英文的单词统计，使用split通过单词中间的空格来做区分，在遍历的过程中通过对【字典】类型进行【字典推导式】的处理来计算每个单词出现的频次。但是由于过程中我们通过re的正则表达式来替换掉了很多的符号，并没有替换成空，故而空的数量应该是最多的。遍历的时候遇到''我们就跳过一下就行了。
【1】 Time in a Box: Advancing Knowledge Graph Completion with Temporal Scopes 标题：盒子里的时间：利用时间范围推进知识图补全 链接：https://arxiv.org/abs/2111.06854
【1】 Sampling from multimodal distributions using tempered Hamiltonian transitions 标题：使用回火哈密顿变换从多峰分布中采样 链接：https://arxiv.org/abs/2111.06871
本文介绍了自然语言处理中的文本分类任务，以及基于深度学习方法的实现。通过具体案例，展示了文本分类在实际问题中的应用，并讨论了各种深度学习方法以及其优缺点。
【1】 Informed Bayesian survival analysis 标题：知情贝叶斯生存分析 链接：https://arxiv.org/abs/2112.08311
【1】 Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning 标题：用双系统、神经-符号推理提高神经序列模型的一致性和一致性
【1】 Structack: Structure-based Adversarial Attacks on Graph Neural Networks 标题：Structack：基于结构的图神经网络敌意攻击
【1】 Model Stealing Attacks Against Inductive Graph Neural Networks 标题：针对归纳图神经网络的模型窃取攻击 链接：https://arxiv.org/abs/2112.08331
【1】 Unsupervised Learning for Identifying High Eigenvector Centrality Nodes: A Graph Neural Network Approach 标题：识别高特征向量中心度节点的无监督学习：一种图神经网络方法 链接：https://arxiv.org/abs/2111.05264
【1】 NormFormer: Improved Transformer Pretraining with Extra Normalization 标题：NormFormer：改进的Transformer预训练和额外归一化 链接：https://arxiv.org/abs/2110.09456
【1】 Spatial-Temporal Transformer for Dynamic Scene Graph Generation 标题：用于动态场景图生成的时空转换器
【1】 fGOT: Graph Distances based on Filters and Optimal Transport 标题：fGOT：基于滤波器和最优传输的图距离 链接：https://arxiv.org/abs/2109.04442
【1】 Fea2Fea: Exploring Structural Feature Correlations via Graph Neural Networks 标题：Fea2Fea：基于图神经网络的结构特征相关性研究
【1】 Towards Better Laplacian Representation in Reinforcement Learning with Generalized Graph Drawing 标题：广义图画强化学习中更好的拉普拉斯表示
【1】 Early Convolutions Help Transformers See Better 标题：早期卷曲帮助Transformer看得更清楚
【1】 HRFormer: High-Resolution Transformer for Dense Prediction 标题：HRFormer：用于密度预测的高分辨率Transformer 链接：https://arxiv.org/abs/2110.09408
系统做迁移，在新服务器IIS上部署，部署后的系统在IE8和其他浏览器上显示正常，
WARN TaskSchedulerImpl: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient resources
在Java中，ArrayList是一个使用非常频繁的集合类型，它的底层是Object数组，所以它拥有数组所拥有的特性，比如支持随机访问，所以查询效率高，但插入数据需要移动元素，所以效率低。
百度了一下说是版本不一致导致的。于是重新检查各个jar包，发现spark-sql-kafka的版本是2.2，而spark的版本是2.3，修改spark-sql-kafka的版本后，顺利执行。
2.然后定义两个分别为大份手抓饼和中份手抓饼来继承这个抽象类，重写两个方法定义种类和价格。
本文主要是从java 1.6-1.8说一下ArrayList的初始容量大小及扩容的思路，主要是底层是ArrayList在扩容的时候会整个复制导致性能底下，所以在大致知道数组容量大小的时候要给定一个合适的初始大小，最大化减小复制的次数。
本篇博文是《从0到1学习 Netty》中源码系列的第一篇博文，主要内容是通过源码逐步讲解 Netty 中 ByteBuf 的动态扩容机制，并结合应用案例加以验证，往期系列文章请访问博主的 Netty 专栏，博文中的所有代码全部收集在博主的 GitHub 仓库中；
JDK ByteBuffer 共用读写索引，每次读写操作都需要Flip() 扩容麻烦，而且扩容后容易造成浪费 关于ByteBuffer的使用方法可以参考序列化和反序列化的三种方法 ，里面有Netty 3的ChannelBuffer，因为现在Netty 3用的比较少，当作参考就好。
所有的网路通信都涉及字节序列的移动，所以高效易用的数据结构明显是必不可少的。Netty的ByteBuf实现满足并超越了这些需求。
（1）官网文档 http://doris.apache.org/master/zh-CN/extending-doris/spark-doris-connector.html#%E7%89%88%E6%9C%AC%E5%85%BC%E5%AE%B9 （2）将doris-spark-1.0.0-SNAPSHOT.jar复制到Spark的jars目录
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
