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