Computer Sciences Commons^™

A Novel Approach To Detecting And Mitigating Keyloggers, Damilola Osedumbi Elelegwu

College of Graduate Studies: Theses & Dissertations

As the digital world gets increasingly ingrained in our daily lives, cyberattacks—especially those involving malware—are growing more complex and common, which calls for developing innovative safeguards. Keylogger spyware, which combines keylogging and spyware functionalities, is one of the most insidious types of cyberattacks. This malicious software stealthily monitors and records user keystrokes, amassing sensitive data, such as passwords and confidential personal information, which can then be exploited. This research work introduces a novel browser extension designed to thwart keylogger spyware attacks effectively. The extension is underpinned by a cutting-edge algorithm that meticulously analyzes input-related processes, promptly identifying and flagging any …

Neuromorphic Computing Applications In Robotics, Noah Zins

Dissertations, Master's Theses and Master's Reports

Deep learning achieves remarkable success through training using massively labeled datasets. However, the high demands on the datasets impede the feasibility of deep learning in edge computing scenarios and suffer from the data scarcity issue. Rather than relying on labeled data, animals learn by interacting with their surroundings and memorizing the relationships between events and objects. This learning paradigm is referred to as associative learning. The successful implementation of associative learning imitates self-learning schemes analogous to animals which resolve the challenges of deep learning. Current state-of-the-art implementations of associative memory are limited to simulations with small-scale and offline paradigms. Thus, …

การจำลองกำหนดการเดินเรือโดยใช้ไทม์ออโตมาตาแบบที่มีความน่าจะเป็น, รัตชนก เธียรปุญญธนากุล

Chulalongkorn University Theses and Dissertations (Chula ETD)

ในอุตสาหกรรมการขนส่งทางทะเลที่มีการจัดการด้านความเสี่ยงในการเกิดความล่าช้าในการเดินเรือตามกำหนดเป็นปัญหาที่ซับซ้อน และเกิดความเสี่ยงและเกิดค่าเสียหายผลจากถึงกำหนดล่าช้าที่จะต้องประสบกับค่าใช้จ่ายของต้นทุนที่สูงขึ้นจากปัญหาความล่าช้า จึงให้ความสนใจที่ปัญหาเหล่านี้อยู่ที่การให้ความสำคัญกับความน่าจะเป็นจากความไม่แน่นอนและเวลาในการเดินเรือ ซึ่งเป็นปัจจัยที่สำคัญในการวางแผนและจัดการตารางเดินเรือให้เหมาะสมและมีประสิทธิภาพและเหมาะสมกับเงื่อนไขและปัจจัยที่แปรผันในอุตสาหกรรมการขนส่งทางทะเล งานวิจัยนี้ จึงเล็งเห็นความสำคัญของการนำไทม์ออโตมาตาแบบที่มีความน่าจะเป็น Probabilistic Timed Automata (PTA) มาใช้ในการจำลองกำหนดการตารางเดินเรือ (Vessel Scheduling) เพื่อช่วยให้สามารถจำลองและประเมินผลของปัจจัยต่าง ๆ ที่ส่งผลต่อการเดินเรือได้อย่างเป็นระบบ และการช่วยให้ผู้วางแผนสามารถทำการปรับปรุงและวิเคราะห์ตารางเดินเรือ โดยมีผลจากการปรับปรุงค่าความนาจะเป็นและทำการทวนสอบผลที่ได้จากสถิติข้อมูลที่ใช้จำลองไม่เกิน 10% ผ่านการเขียนโปรแกรมด้วยภาษา PRISM โดยใช้ PRISM Model Checker โดยเครื่องมือสามารถจำลองพฤติกรรมการเดินเรือตามแบบจำลอง PTA ที่ออกแบบไว้ โดยคำนึงถึงปัจจัยของความน่าจะเป็นที่ส่งผลให้เกิดความล่าช้าและทำการทวนสอบด้วยสูตร PCTL ได้

An Optimized And Scalable Blockchain-Based Distributed Learning Platform For Consumer Iot, Zhaocheng Wang, Xueying Liu, Xinming Shao, Abdullah Alghamdi, Md. Shirajum Munir, Sujit Biswas

School of Cybersecurity Faculty Publications

Consumer Internet of Things (CIoT) manufacturers seek customer feedback to enhance their products and services, creating a smart ecosystem, like a smart home. Due to security and privacy concerns, blockchain-based federated learning (BCFL) ecosystems can let CIoT manufacturers update their machine learning (ML) models using end-user data. Federated learning (FL) uses privacy-preserving ML techniques to forecast customers' needs and consumption habits, and blockchain replaces the centralized aggregator to safeguard the ecosystem. However, blockchain technology (BCT) struggles with scalability and quick ledger expansion. In BCFL, local model generation and secure aggregation are other issues. This research introduces a novel architecture, emphasizing …

Robustembed: Robust Sentence Embeddings Using Self-Supervised Contrastive Pre-Training, Javad Asl, Eduardo Blanco, Daniel Takabi

School of Cybersecurity Faculty Publications

Pre-trained language models (PLMs) have demonstrated their exceptional performance across a wide range of natural language processing tasks. The utilization of PLM-based sentence embeddings enables the generation of contextual representations that capture rich semantic information. However, despite their success with unseen samples, current PLM-based representations suffer from poor robustness in adversarial scenarios. In this paper, we propose RobustEmbed, a self-supervised sentence embedding framework that enhances both generalization and robustness in various text representation tasks and against diverse adversarial attacks. By generating high-risk adversarial perturbations to promote higher invariance in the embedding space and leveraging the perturbation within a novel contrastive …

Evaluating Ai Sentiment Analysis, Aakriti Shah

Honors Program Theses

This paper presents a comparative analysis of human and AI performance on a sentiment analysis task involving the coding of qualitative data from community program transcripts. The results demonstrate promising but imperfect agreement between two AI models, Claude and Bing, versus three human annotators and one expert annotator using the Community Capitals framework categories. While both models achieved fair alignment with human judgment, confusion patterns emerged involving metaphorical language and text overlapping multiple categories. The findings provide a case study for benchmarking conversational AI systems against human baselines to reveal limitations and target improvements. Key gaps center around distinguishing between …

A Structured Narrative Prompt For Prompting Narratives From Large Language Models: Sentiment Assessment Of Chatgpt-Generated Narratives And Real Tweets, Christopher J. Lynch, Erik J. Jensen, Virginia Zamponi, Kevin O'Brien, Erika Frydenlund, Ross Gore

VMASC Publications

Large language models (LLMs) excel in providing natural language responses that sound authoritative, reflect knowledge of the context area, and can present from a range of varied perspectives. Agent-based models and simulations consist of simulated agents that interact within a simulated environment to explore societal, social, and ethical, among other, problems. Simulated agents generate large volumes of data and discerning useful and relevant content is an onerous task. LLMs can help in communicating agents' perspectives on key life events by providing natural language narratives. However, these narratives should be factual, transparent, and reproducible. Therefore, we present a structured narrative prompt …

Comparative Adjudication Of Noisy And Subjective Data Annotation Disagreements For Deep Learning, Scott David Williams

Browse all Theses and Dissertations

Obtaining accurate inferences from deep neural networks is difficult when models are trained on instances with conflicting labels. Algorithmic recognition of online hate speech illustrates this. No human annotator is perfectly reliable, so multiple annotators evaluate and label online posts in a corpus. Labeling scheme limitations, differences in annotators' beliefs, and limits to annotators' honesty and carefulness cause some labels to disagree. Consequently, decisive and accurate inferences become less likely. Some practical applications such as social research can tolerate some indecisiveness. However, an online platform using an indecisive classifier for automated content moderation could create more problems than it solves. …

Enhancing Graph Convolutional Network With Label Propagation And Residual For Malware Detection, Aravinda Sai Gundubogula

Browse all Theses and Dissertations

Malware detection is a critical task in ensuring the security of computer systems. Due to a surge in malware and the malware program sophistication, machine learning methods have been developed to perform such a task with great success. To further learn structural semantics, Graph Neural Networks abbreviated as GNNs have emerged as a recent practice for malware detection by modeling the relationships between various components of a program as a graph, which deliver promising detection performance improvement. However, this line of research attends to individual programs while overlooking program interactions; also, these GNNs tend to perform feature aggregation from neighbors …

Effective Systems For Insider Threat Detection, Muhanned Qasim Jabbar Alslaiman

Browse all Theses and Dissertations

Insider threats to information security have become a burden for organizations. Understanding insider activities leads to an effective improvement in identifying insider attacks and limits their threats. This dissertation presents three systems to detect insider threats effectively. The aim is to reduce the false negative rate (FNR), provide better dataset use, and reduce dimensionality and zero padding effects. The systems developed utilize deep learning techniques and are evaluated using the CERT 4.2 dataset. The dataset is analyzed and reformed so that each row represents a variable length sample of user activities. Two data representations are implemented to model extracted features …

Fuzzing Php Interpreters By Automatically Generating Samples, Jacob S. Baumgarte

Browse all Theses and Dissertations

Modern web development has grown increasingly reliant on scripting languages such as PHP. The complexities of an interpreted language means it is very difficult to account for every use case as unusual interactions can cause unintended side effects. Automatically generating test input to detect bugs or fuzzing, has proven to be an effective technique for JavaScript engines. By extending this concept to PHP, existing vulnerabilities that have since gone undetected can be brought to light. While PHP fuzzers exist, they are limited to testing a small quantity of test seeds per second. In this thesis, we propose a solution for …

Human Tracking Function For Robotic Dog, Andrew Sharkey

Williams Honors College, Honors Research Projects

With the increase the increase in automation and humans and robots working side by side, there is a need for a more organic way of controlling robots. The goal of this project is to create a control system for Boston dynamics robotic dog Spot that implements human tracking image software to follow humans using computer vision as well as using hand tracking image software to allow for control input through hand gestures.

Improving Developers' Understanding Of Regex Denial Of Service Tools Through Anti-Patterns And Fix Strategies, Sk Adnan Hassan, Zainab Aamir, Dongyoon Lee, James C. Davis, Francisco Servant

Department of Electrical and Computer Engineering Faculty Publications

Regular expressions are used for diverse purposes, including input validation and firewalls. Unfortunately, they can also lead to a security vulnerability called ReDoS (Regular Expression Denial of Service), caused by a super-linear worst-case execution time during regex matching. Due to the severity and prevalence of ReDoS, past work proposed automatic tools to detect and fix regexes. Although these tools were evaluated in automatic experiments, their usability has not yet been studied; usability has not been a focus of prior work. Our insight is that the usability of existing tools to detect and fix regexes will improve if we complement them …

An Empirical Study Of Pre-Trained Model Reuse In The Hugging Face Deep Learning Model Registry, Wenxin Jiang, Nicholas Synovic, Matt Hyatt, Taylor R. Schorlemmer, Rohan Sethi, Yung-Hsiang Lu, George K. Thiruvathukal, James C. Davis

Department of Electrical and Computer Engineering Faculty Publications

Deep Neural Networks (DNNs) are being adopted as components in software systems. Creating and specializing DNNs from scratch has grown increasingly difficult as state-of-the-art architectures grow more complex. Following the path of traditional software engineering, machine learning engineers have begun to reuse large-scale pre-trained models (PTMs) and fine-tune these models for downstream tasks. Prior works have studied reuse practices for traditional software packages to guide software engineers towards better package maintenance and dependency management. We lack a similar foundation of knowledge to guide behaviors in pre-trained model ecosystems.

In this work, we present the first empirical investigation of PTM reuse. …

Defense Of A Small Network, Isabella Adkins

Williams Honors College, Honors Research Projects

A sample network will be virtually created consisting of three routers, one switch, and three hosts. The network will be secured using various methods such as enabling passwords and encryption. After the network has been properly secured, various attacks will be attempted with the goal of breaking into the network. These attacks include reconnaissance (gathering information), penetrating the network using the tool Metasploit, and attempting to get a credential phishing email to end users. If successful in the attacks, the network will be revisited and analyzed for any weaknesses or oversights.

Small Business Office Network, Michael Gerome

Williams Honors College, Honors Research Projects

This project will emulate a small office network environment. The project will demonstrate the process of building and configuring the network to meet the requirements laid out in the project plan. This network includes four subnets with Windows 10 end devices and a Kali Linux device, it also includes five Cisco layer 2 switches and three Cisco routers. There are also three subnets connecting the routers to each other to enable routing between the subnets. After the network environment is set up, various penetration tests are performed from the Kali Linux device to gather information. The Nmap reconnaissance tool is …

Unsupervised-Based Distributed Machine Learning For Efficient Data Clustering And Prediction, Vishnu Vardhan Baligodugula

Browse all Theses and Dissertations

Machine learning techniques utilize training data samples to help understand, predict, classify, and make valuable decisions for different applications such as medicine, email filtering, speech recognition, agriculture, and computer vision, where it is challenging or unfeasible to produce traditional algorithms to accomplish the needed tasks. Unsupervised ML-based approaches have emerged for building groups of data samples known as data clusters for driving necessary decisions about these data samples and helping solve challenges in critical applications. Data clustering is used in multiple fields, including health, finance, social networks, education, and science. Sequential processing of clustering algorithms, like the K-Means, Minibatch K-Means, …

Anomaly Detection In Multi-Seasonal Time Series Data, Ashton Taylor Williams

Browse all Theses and Dissertations

Most of today’s time series data contain anomalies and multiple seasonalities, and accurate anomaly detection in these data is critical to almost any type of business. However, most mainstream forecasting models used for anomaly detection can only incorporate one or no seasonal component into their forecasts and cannot capture every known seasonal pattern in time series data. In this thesis, we propose a new multi-seasonal forecasting model for anomaly detection in time series data that extends the popular Seasonal Autoregressive Integrated Moving Average (SARIMA) model. Our model, named multi-SARIMA, utilizes a time series dataset’s multiple pre-determined seasonal trends to increase …

Path-Safe: Enabling Dynamic Mandatory Access Controls Using Security Tokens, James P. Maclennan

Browse all Theses and Dissertations

Deploying Mandatory Access Controls (MAC) is a popular way to provide host protection against malware. Unfortunately, current implementations lack the flexibility to adapt to emergent malware threats and are known for being difficult to configure. A core tenet of MAC security systems is that the policies they are deployed with are immutable from the host while they are active. This work looks at deploying a MAC system that leverages using encrypted security tokens to allow for redeploying policy configurations in real-time without the need to stop a running process. This is instrumental in developing an adaptive framework for security systems …

Data-Driven Strategies For Disease Management In Patients Admitted For Heart Failure, Ankita Agarwal

Browse all Theses and Dissertations

Heart failure is a syndrome which effects a patient’s quality of life adversely. It can be caused by different underlying conditions or abnormalities and involves both cardiovascular and non-cardiovascular comorbidities. Heart failure cannot be cured but a patient’s quality of life can be improved by effective treatment through medicines and surgery, and lifestyle management. As effective treatment of heart failure incurs cost for the patients and resource allocation for the hospitals, predicting length of stay of these patients during each hospitalization becomes important. Heart failure can be classified into two types: left sided heart failure and right sided heart failure. …

Understanding And Enhancing The Efficiency And Efficacy Of Machine Learning-Assisted Software Vulnerability Detection, Daniel J. Grahn

Browse all Theses and Dissertations

As our world has become dependent upon software for nearly every aspect of modern society, software security has followed as an essential feature. The first line of defense against vulnerabilities is secure coding. While today’s programmers are carefully taught secure coding best practices, they can make mistakes or intentionally introduce vulnerable code. The traditional backstop to human errors and insider threats is the adoption of automated security analysis tools. These analysis tools have limitations. Static analysis suffers from high false positive rates that may cause annoyance and complacency among developers. Dynamic analysis can be difficult to set up and very …

Enhancing The Performance Of Federated Learning With Diffusion Models: Leveraging Synthetic Data To Address Non-Iid Data Challenges, Karin Huangsuwan

Chulalongkorn University Theses and Dissertations (Chula ETD)

In the context of machine learning in healthcare, federated learning (FL) is frequently seen as an effective approach to tackling issues of data privacy and distribution. Nonetheless, many real-world datasets exhibit non-identical and independently distributed (non-IID) characteristics, meaning that data features vary across different institutions. This non-IID nature presents challenges for FL model convergence, such as client drifting, where model weights lean towards local optima rather than global optimum. To address these issues, we introduce a new framework called "FedDrip (Federated Learning with Diffusion Reinforcement at Pseudo-site)," which leverages diffusion-generated synthetic data to mitigate data-related problems in non-IID settings. Our …

Predicting Newcomer’S Turnover Using Predictive Analytics : A Case Study Of Thai Financial Firm In Bangkok, Thailand, Meena Kittikunsiri

Chulalongkorn University Theses and Dissertations (Chula ETD)

Employee turnover, a critical issue impacting workplace productivity, has prompted organizations to leverage machine learning techniques for predictive analysis. This study specifically targets the prediction of turnover among new employees, utilizing data obtained from a survey conducted at a Thai financial firm in Bangkok, Thailand. Through an evaluation of various machine learning models, the results indicate that the Random Forest model surpasses others. Furthermore, this research highlights crucial factors influencing newcomer turnover, such as comfort with workplace culture, work-from-home policies, onboarding programs, and satisfaction with the recruitment process. These findings offer actionable insights for HR professionals to focus on these …

Anomaly Based Intrusion Detection System Through Remote Virtual Machine Introspection, Huseyn Huseynov

Dissertations and Theses

Research on identifying malicious applications is an important direction in information security, especially when it comes to detection of evasive malware such as keyloggers, trojans, rootkits and their derivatives. Inspired by a biological immune system and based on negative selection algorithm approach to detect various types of malwares is proposed in this paper.

By deeply studying Linux kernel, understanding links behind different internal system processes, examining, and experimenting with hundreds of various keyloggers we propose a single Artificial Intelligence based solution as a comprehensive protection against wide range of malwares. Developed Intrusion Detection System (IDS) can be deployed in the …

A Robust Model For Spot Virtual Machine Bidding In The Cloud Market Using Information Gap Decision Theory (Igdt), Mona Naghdehforoushha, Mehdi Dehghan Takht Fooladi, Mohammed Hossein Rezvani, Mohammad Mehdi Gilanian Sadeghi

Turkish Journal of Electrical Engineering and Computer Sciences

The spot market is one of the most common cloud markets where cloud providers, such as Amazon EC2, rent their surplus computing resources at lower prices in the form of spot virtual machines (SVMs). In this market, which is often managed through an auction mechanism, users seek optimal bidding strategies for renting SVMs to minimize cost and risk. Uncertainty in the price of SVMs and their low availability/reliability is a challenging issue to bid on the user side. In this paper, we present a robust model for minimizing the cost of executing tasks by considering the uncertainty of the price …

Hashes Are Not Suitable To Verify Fixity Of The Public Archived Web, Mohamed Aturban, Martin Klein, Herbert Van De Sompel, Sawood Alam, Michael L. Nelson, Michele C. Weigle

Computer Science Faculty Publications

Web archives, such as the Internet Archive, preserve the web and allow access to prior states of web pages. We implicitly trust their versions of archived pages, but as their role moves from preserving curios of the past to facilitating present day adjudication, we are concerned with verifying the fixity of archived web pages, or mementos, to ensure they have always remained unaltered. A widely used technique in digital preservation to verify the fixity of an archived resource is to periodically compute a cryptographic hash value on a resource and then compare it with a previous hash value. If the …

Assessing The Performance Of A Particle Swarm Optimization Mobility Algorithm In A Hybrid Wi-Fi/Lora Flying Ad Hoc Network, William David Paredes

UNF Graduate Theses and Dissertations

Research on Flying Ad-Hoc Networks (FANETs) has increased due to the availability of Unmanned Aerial Vehicles (UAVs) and the electronic components that control and connect them. Many applications, such as 3D mapping, construction inspection, or emergency response operations could benefit from an application and adaptation of swarm intelligence-based deployments of multiple UAVs. Such groups of cooperating UAVs, through the use of local rules, could be seen as network nodes establishing an ad-hoc network for communication purposes.

One FANET application is to provide communication coverage over an area where communication infrastructure is unavailable. A crucial part of a FANET implementation is …

การคัดกรองความผิดปกติของรูปภาพบุคคลที่สร้างจากปัญญาประดิษฐ์, ธนพล พจนะสวนีย์

Chulalongkorn University Theses and Dissertations (Chula ETD)

ในยุคปัจจุบันความสามารถของปัญญาประดิษฐ์ถูกสร้างขึ้นและพัฒนาเพื่อสามารถสร้างงานสร้างสรรค์ต่างๆ ได้แก่ รูปภาพ วิดีโอ เสียง งานเขียน และบทความ งานวิจัยนี้มุ่งเน้นไปที่ความสามารถของปัญญาประดิษฐ์ในการผลิตงานภาพบุคคลตามคําสั่งหรือข้อความที่หลากหลาย อย่างไรก็ตาม การใช้ปัญญาประดิษฐ์ประเภทนี้ยังมีความผิดพลาดเกิดขึ้น ความผิดพลาดที่พบบ่อยที่สุดในการสร้างภาพบุคคลคือความผิดปกติจากส่วนของร่างกายหรืออวัยวะของมนุษย์เช่นอวัยวะที่ผิดรูปหรือองค์ประกอบอวัยวะขาดหายไป จากปัญหานี้ทำให้ผู้วิจัยเกิดแนวคิดที่จะออกแบบแบบจำลองสําหรับการคัดกรองความผิดปกติของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์ งานวิจัยนี้มีวัตถุประสงค์ในการสร้างชุดข้อมูลภาพบุคคลประมาณ 100,000 ภาพที่สร้างขึ้นโดยปัญญาประดิษฐ์และพัฒนาแบบจำลองต้นแบบสําหรับคัดกรองความผิดปกติของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์เพื่อทำให้ภาพปัญญาประดิษฐ์จะมีคุณภาพที่ดีขึ้นและมีประโยชน์มากขึ้น แบบจำลองการเรียนรู้เชิงลึกนำมาใช้เพื่อแยกประเภทภาพปัญญาประดิษฐ์ โดยแบ่งออกเป็น2 ประเภท: ภาพปกติ (Normal)และ ภาพบกพร่อง (Defect) ชุดข้อมูลที่ใช้พัฒนาแบบจำลองนี้ประกอบด้วยข้อมูลประมาณ 100,000 ภาพเพื่อให้แบบจำลองมีความแม่นยําและประสิทธิภาพที่ดี งานวิจัยนี้ใช้แบบจำลองการเรียนรู้เชิงลึก 4 ประเภทในการทดสอบเพื่อหาแบบจำลองที่เหมาะสมที่สุดสําหรับการคัดกรองความผิดปกติในภาพปัญญาประดิษฐ์ แบบจำลองนี้ใช้เป็นแบบจำลองต้นแบบในการคัดกรองคุณภาพของภาพบุคคลที่สร้างขึ้นโดยปัญญาประดิษฐ์และชุดข้อมูลทั้งหมดในงานวิจัยนี้จะถูกเผยแพร่โดยสาธารณะ

การทำนายอาชญากรรมผ่านการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียง, ศิรัสวยา หงษ์ยนต์

Chulalongkorn University Theses and Dissertations (Chula ETD)

การทำนายอาชญากรรมผ่านการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียงจะช่วยทำให้ข้อมูลมีความแม่นยำมากขึ้น ซึ่งจะเป็นประโยชน์กับสถานีตำรวจแต่ละแห่งที่จะนำผลลัพธ์ที่ได้ไปประกอบการปรับกลยุทธ์การป้องกันอาชญากรรมรวมถึงการจัดสรรกำลังพลให้กับหน่วยงานของตนเองได้มีประสิทธิภาพมากขึ้น การเรียนรู้ด้วยเครื่องกลายเป็นเครื่องมือสำคัญในการทำนายอาชญากรรมซึ่งช่วยให้มีความแม่นยำมากขึ้น ในการศึกษานี้มุ่งเน้นไปที่การทำนายจำนวนอาชญากรรมที่จะเกิดขึ้นในสถานีตำรวจปทุมวัน ด้วยการใช้ข้อมูลประวัติอาชญากรรมจากสถานีตำรวจทั่วประเทศตั้งแต่มกราคมปี 2554 ถึงกุมภาพันธ์ปี 2565 โดยใช้แบบจำลองการ K-Means เพื่อจัดกลุ่มสถานีตำรวจที่มีรูปแบบอาชญากรรมคล้ายคลึงกับสถานีตำรวจปทุมวัน ผลลัพธ์ที่ได้จากการจัดกลุ่มพบว่าสถานีตำรวจวังทองหลาง, นางเลิ้ง, ดุสิต, บางซื่อ, ทุ่งมหาเมฆ, สำเหร่, สุทธิสาร, ปากคลองสาน, บางกอกใหญ่, บางกอกน้อย, มักกะสัน, บางยี่เรือและตลาดพลูถูกจัดให้อยู่กลุ่มเดียวกับสถานีตำรวจปทุมวัน จากนั้นจึงใช้แบบจำลอง LSTM ในการรทำนายอาชญากรรมของสถานีตำรวจปทุมวันผ่านการวิเคราะห์ร่วมกับข้อมูลสถานีตำรวจใกล้เคียง ชุดข้อมูลการฝึกใช้ข้อมูลสถานีตำรวจปทุมวันจับคู่กับสถานีตำรวจภายในกลุ่มเดียวกัน ซึ่งผลการวิจัยพบว่าการวิเคราะห์ร่วมกันระหว่างสถานีตำรวจปทุมวันและสถานีตำรวจวังทองหลาง, นางเลิ้ง, ดุสิต, บางซื่อ, ปากคลองสาน, บางกอกน้อย, มักกะสันและตลาดพลูส่งผลให้ RMSE และ MAE ลดลง เมื่อเทียบกับการใช้ข้อมูลสถานีตำรวจจปทุมวันเพียงอย่างเดียว แสดงให้เห็นว่าการวิเคราะห์ร่วมกันของข้อมูลสถานีตำรวจใกล้เคียงช่วยเพิ่มประสิทธิภาพและความแม่นยำของการทำนายอาชญากรรมและจะส่งผลให้เป็นประโยชน์ต่อการนำไปประยุกต์ใช้เพื่อปรับกลยุทธ์การบังคับใช้กฎหมายมีประสิทธิผลมากขึ้น

เอไอสำหรับการแนะนำรหัสบัญชีสมุดแยกประเภททั่วไป, ปกรณ์ โคตรภูชัย

Chulalongkorn University Theses and Dissertations (Chula ETD)

เทคโนโลยีเอไอช่วยส่งเสริมให้ธุรกิจสามารถคงความเป็นคู่แข่งที่แข็งแกร่งในโลกปัจจุบันที่มีการแข่งขันสูง ขณะเดียวกันการทำบัญชีก็มีบทบาทสำคัญที่ทำให้การบริหารการเงินของธุรกิจประสบความสำเร็จ การทำบัญชีเกี่ยวข้องกับการบันทึกธุรกรรมทางการเงินที่เกิดขึ้น และเลือกรหัสบัญชีที่ถูกต้องในการบันทึกบัญชี การใส่ค่ารหัสบัญชีด้วยมืออาจก่อให้เกิดความผิดพลาดและสูญเสียทรัพยากรของบริษัท ขณะที่การใส่ค่ารหัสบัญชีที่ถูกต้องเป็นสิ่งสำคัญที่ช่วยให้การตัดสินใจทางธุรกิจดียิ่งชึ้นและทำให้ธุรกิจเติบโตได้อย่างรวดเร็ว การแนะนำรหัสบัญชีอัตโนมัติด้วยเอไอสามารถช่วยประหยัดเวลา เพิ่มผลิตภาพและคุณภาพของผลลัพธ์ จากการลดความผิดพลาดของมนุษย์ งานวิจัยนี้จึงนำเสนอแนวทางระบบที่พัฒนาด้วยเอไอเพื่อแนะนำรหัสบัญชีในการทำบัญชีแบบรายการคู่ การประมวลผลภาษาธรรมชาติถูกนำมาใช้เป็นหลักในขั้นตอนการเตรียมข้อมูลเพื่อให้คอมพิวเตอร์สามารถประมวลผล และดึงความหมายจากข้อมูลที่เป็นข้อความได้ แบบจำลองการเรียนรู้ของเครื่องได้ถูกสร้างขึ้นจากอัลกอริทึม คาร์ต, ป่าสุ่ม, และมัลติเลเยอร์ เพอร์เซปทรอน ผลการทดลองรายงานว่าแบบจำลองป่าสุ่มที่ใช้วิธีแทนค่าข้อความด้วยวิธีถุงคำ ให้ค่าความแม่นยำสูงสุดที่ 84.91% ซึ่งอยู่ในระดับที่ยอมรับได้ในมุมของการบัญชี