A smart Ponzi scheme is a new form of economic crime that uses Ethereum smart contract account and cryptocurrency to implement Ponzi scheme. The smart Ponzi scheme has harmed the interests of many investors, but researches on smart Ponzi scheme detection is still very limited. The existing smart Ponzi scheme detection methods have the problems of requiring many human resources in feature engineering and poor model portability. To solve these problems, we propose a data-driven smart Ponzi scheme detection system in this paper. The system uses dynamic graph embedding technology to automatically learn the representation of an account based on multi-source and multi-modal data related to account transactions. Compared with traditional methods, the proposed system requires very limited human-computer interaction. To the best of our knowledge, this is the first work to implement smart Ponzi scheme detection through dynamic graph embedding. Experimental results show that this method is significantly better than the existing smart Ponzi scheme detection methods.
Diffusion-Driven Inertial Generated Data for Smartphone Location Classification
The Hatter Department of Marine Technologies, University of Haifa, Israel（海洋技术系，海法大学，以色列）；The Department of Information Systems, University of Haifa, Israel（信息系统系，海法大学，以色列）
Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation
Department of Energy and Environment（能源与环境系）；Vicomtech（维克科技）；Department of Electronics, Information and Bioengineering（电子、信息与生物工程系）；Politecnico di Milano（米兰理工学院）
On Event-Driven Knowledge Graph Completion in Digital Factories
Ludwig-Maximilians Universität Munich（慕尼黑路德维希-马克西米利安大学）；Oxford University（牛津大学）；Max-Planck-Institut für Informatik（马克斯·普朗克信息学研究所）；Siemens AG CT（西门子股份公司中央研究院）；Siemens PLM Software（西门子产品生命周期管理软件公司）
Edge-AI-Driven Learning-to-Rank for Decentralized Task Allocation in Circular Smart Manufacturing
Birmingham City University（伯明翰城市大学）；Macao Institute of Systems Engineering and Collaborative Laboratory for Intelligent Science and Systems（澳门系统工程研究院和智能科学与系统联合实验室）；New Jersey Institute of Technology（新泽西理工学院）
Confidence Adjusted Surprise Measure for Active Resourceful Trials (CA-SMART): A Data-driven Active Learning Framework for Accelerating Material Discovery under Resource Constraints
West Virginia University（西弗吉尼亚大学）；The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes
University College Dublin（都柏林大学）；Macau University of Science and Technology（澳门科技大学）；New Jersey Institute of Technology（新泽西理工学院）；Royal College of Surgeons in Ireland（爱尔兰皇家外科医学院）
Smart Manufacturing: MLOps-Enabled Event-Driven Architecture for Enhanced Control in Steel Production
Karlstad University, Computer Science Department（卡尔斯塔德大学计算机科学系）；University of Bologna, Department of Computer Science and Engineering（博洛尼亚大学计算机科学与工程系）；Deggendorf Institute of Technology, Faculty of Applied Computer Science（德格多夫技术学院应用计算机科学系）；Smart Industrial Automation, RISE Research Institutes of Sweden（智能工业自动化，瑞典RISE研究机构）
Regret-Driven Portfolios: LLM-Guided Smart Clustering for Optimal Allocation
Lahore University of Management Sciences（拉合尔管理科学大学）；Institute for Clarity in Documentation（文档清晰研究所）；Inria Paris-Rocquencourt（巴黎-罗quant研究所）；Rajiv Gandhi University（拉贾·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
MARTINI: Smart Meter Driven Estimation of HVAC Schedules and Energy Savings Based on WiFi Sensing and Clustering
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
HVAC系统占建筑物能源使用的很大一部分。夜间挫折调度是一种节能措施，其中冷却和加热设定点在空闲期间分别增加和减少，目的是实现节能。然而，需要了解建筑物的实际占用情况，以使这一措施取得最大成功。此外，需要一种可扩展的方式来估计节能措施的节能潜力，该节能措施不受建筑物特定参数和实验或模拟建模投资的限制。在这里，我们提出了MARTINI，这是一个基于居住者的HVAC时间表和节能的sMART meTer driveN评估，它利用了商业建筑中无处不在的能源智能电表和WiFi基础设施。我们估计的时间表，通过集群WiFi导出的占用配置文件，并通过移动斜升和挫折时间观察到的典型/测量的负载配置文件通过集群智能电表能源配置文件，节省能源。我们的案例研究结果显示，当HVAC系统运行与入住率保持一致时，五座建筑物在七个月内的平均冷冻水节能率为8.1%-10.8%（夏季）和0.2%-5.9%（秋季）。我们验证了我们的方法与结果从建筑能源性能模拟（BEPS），发现估计的平均节省的MARTINI是在0.9%-2.4%的BEPS预测。在没有占用信息的情况下，我们仍然可以通过增加爬坡时间和减少倒退开始时间来估计潜在的节省。在51栋教学楼中，我们发现节省潜力在1%-5%之间。
From Lab to Field: Real-World Evaluation of an AI-Driven Smart Video Solution to Enhance Community Safety
Department of Electrical and Computer Engineering, University of North Carolina at Charlotte（电气与计算机工程系，北卡罗来纳大学夏洛特分校）；Department of Public Policy, University of North Carolina at Charlotte（公共政策系，北卡罗来纳大学夏洛特分校）
SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems
Deakin University（迪肯大学）；Jilin University（吉林大学）；Changchun University of Technology（长春工业大学）；Macquarie University（麦考瑞大学）；Qilu University of Technology（齐鲁工业大学）；Shandong Computer Science Center（山东计算机科学中心）；Facebook（脸书）
A Machine Learning Driven IoT Solution for Noise Classification in Smart Cities
Linnaeus University（林奈大学）；RISE Interactive Research Institutes of Sweden（瑞典RISE互动研究院）
我们提出了一种基于机器学习的方法，使用低功耗和廉价的物联网单元进行噪声分类。我们使用梅尔频率倒谱系数的音频特征提取和监督分类算法（即，支持向量机和k-最近邻）的噪声分类。我们用大约3000个声音样本的数据集进行实验评估我们的方法，这些声音样本分为八个声音类别（如汽车喇叭，手提钻或街头音乐）。我们探索的参数空间的支持向量机和k-近邻算法估计的最佳参数值的声音样本的分类在所研究的数据集。我们实现了噪声分类的准确率在85% -100%的范围内。在Raspberry Pi Zero W上训练和测试我们的k-最近邻（k = 1）实现，对于具有超过3000个声音样本的数据集，不到一秒。
Uncertainty-Driven Anomaly Detection for Psychotic Relapse Using Smartwatches: Forecasting and Multi-Task Learning Fusion
Robotics Institute, Athena Research and Innovation Center, Greece（阿提卡研究与创新中心机器人研究所，希腊）；School of ECE, National Technical University of Athens, Greece（雅典技术大学电子工程学院，希腊）；HERON - Hellenic Robotics Center of Excellence, Athens, Greece（希腊卓越机器人中心，雅典，希腊）
