GrayC: Greybox Compiler Fuzzing by Anon Anon (13589394)

“…The enhanCer code transformation was implemented in python3 with a set of bash scripts.…”

Concurrent spin squeezing and field tracking with machine learning by Junlei Duan (18393642)

“…<p dir="ltr">The dataset contains:</p><ol><li>Steady_squeezing.zip <b>a)</b> data for steady squeezing data and characteraztion <b>b)</b> data for pulse RF magnetormeter</li><li>Tracking1.zip <b>a)</b> data of OU process for Deep learning <b>b)</b> data of OU-jump process for Deep learning</li><li>Tracking2.zip <b>a)</b> data of white noise process in backaction experiment <b>b) </b>data of white noise process in rearrange experiment</li><li>Code <b>a)</b> Randomly signal generating code <b>b)</b> Deep learning codec.data pre-processing code</li></ol><p dir="ltr">The network is implemented using the torch 1.13.1 framework and CUDA 11.6 on Python 3.8.8. …”

Concurrent spin squeezing and field tracking with machine learning by Junlei Duan (18393642)

“…Randomly signal generating codeb.Deep learning codec.data pre-processing code The network is implemented using the torch 1.13.1 framework and CUDA 11.6 on Python 3.8.8. …”

IGD-cyberbullying-detection-AI by Bryan James (19921044)

“…</li></ul><h2>Installation</h2><ol><li>Clone the repository:<pre>git clone https://github.com/BryanSJamesDev/IGD-cyberbullying-detection-AI<br>cd IGD-cyberbullying-detection-AI</pre></li><li>Install the required dependencies:<pre>pip install -r requirements.txt</pre></li></ol><h2>Running the Code</h2><ol><li><b>Cyberbullying Prediction</b>:</li><li><ul><li>Open the <code>Cyberbullying.ipynb</code> notebook and run the cells in order to train and evaluate the deep learning models on the provided datasets.…”

Do you read me? (E)motion Legibility of Virtual Reality Character Representations by Klara Brandstatter (10669605)

“…</u></p><p dir="ltr"><i>AGRoL-Unity</i> contains the AGRoL implementation with a Unity server and Python client for sending motion data from Unity to the AGRoL network and back.…”

Ambient Air Pollutant Dynamics (2010–2025) and the Exceptional Winter 2016–17 Pollution Episode: Implications for a Uranium/Arsenic Exposure Event by Thomas Clemens Carmine (19756929)

“…Includes imputation statistics, data dictionary, and the Python imputation code (Imputation_Air_Pollutants_NABEL.py). …”

Algoritmo de clasificación de expresiones de odio por intensidades en español (Algorithm for classifying hate expressions by intensities in Spanish) by Xiomara Blanco (18598099)

“…</li></ul><h2>Datasets</h2><ol><li><b>Conjunto de Datos de Intensidades</b>: Este modelo utiliza un conjunto de datos personalizado para la clasificación de intensidades de discurso de odio, cargado desde <code>df_intensidades.csv</code>.</li><li><ul><li>Clasificación multiclase con las siguientes etiquetas:</li><li><ul><li><code>0</code> = Intensidad 1 : Odio asociado a mensajes incívico</li><li><code>1</code> = MIntensidad 2 : Odio asociado a mensajes mal intencionados o con expresiones abusivas</li><li><code>2</code> = Intensidad 3 : Odio asociado a insultos</li><li><code>3</code> = Intensidad 4 : Odio asociado a amenazas veladas o explícitas</li></ul></li></ul></li></ol><h2>Proceso de Entrenamiento</h2><h3>Pre-entrenamiento</h3><ul><li>Batch size: 16</li><li>Epochs: 5</li><li>Learning rate: 2e-5 with 10% warmup steps</li><li>Early stopping with patience=2</li></ul><h3>Fine-tuning</h3><ul><li>Batch size: 128</li><li>Epochs: 5</li><li>Learning rate: 2e-5 with 10% warmup steps</li><li>Early stopping with patience=2</li><li>Métricas personalizadas (a definir según la tarea de clasificación multiclase).…”

Algoritmo de detección de odio en español (Algorithm for detection of hate speech in Spanish) by Elias Said-Hung (10790310)

“…</li></ul><h2>Training Process</h2><h3>Pre-entrenamiento</h3><ul><li>Batch size: 16</li><li>Epochs: 5</li><li>Learning rate: 2e-5 with 10% warmup steps</li><li>Early stopping with patience=2</li></ul><h3>Fine-tuning</h3><ul><li>Batch size: 128</li><li>Epochs: 5</li><li>Learning rate: 2e-5 with 10% warmup steps</li><li>Early stopping with patience=2</li><li>Métricas personalizadas:</li><li><ul><li>Recall for non-hate class</li><li>Precision for hate class</li><li>F1-score (weighted)</li><li>AUC-PR</li><li>Recall at precision=0.9 (non-hate)</li><li>Precision at recall=0.9 (hate)</li></ul></li></ul><h2>Métricas de Evaluación</h2><p dir="ltr">El modelo se evalúa utilizando:</p><ul><li>Macro recall, precision, and F1-score</li><li>One-vs-Rest AUC</li><li>Accuracy</li><li>Métricas por clase</li><li>Matriz de confusión</li></ul><h2>Requerimientos</h2><p dir="ltr">Se requiere los siguientes paquetes de Python (consulte requirements.txt para ver la lista completa):</p><ul><li>TensorFlow</li><li>Transformers</li><li>scikit-learn</li><li>pandas</li><li>datasets</li><li>matplotlib</li><li>seaborn</li></ul><h2>Uso</h2><p dir="ltr">El modelo espera datos de entrada con las siguientes especificaciones:</p><ol><li><b>Formato de datos</b>:</li></ol><ul><li>Archivo CSV o DataFrame de Pandas</li><li>Nombre de columna obligatorio: <code>text</code> (tipo cadena)</li><li>Nombre de columna opcional: <code>label</code> (tipo entero, 0 o 1) si está disponible para la evaluación</li></ul><ol><li><b>Preprocesamiento de texto</b>:</li></ol><ul><li>El texto se convertirá automáticamente a minúsculas durante el procesamiento</li><li>Longitud máxima: 128 tokens (los textos más largos se truncarán)</li><li>Los caracteres especiales, las URL y los emojis deben permanecer en el texto (el tokenizador los gestiona)</li></ul><ol><li><b>Codificación de etiquetas</b>:</li></ol><ul><li><code>0</code> = Sin contenido de odio (incluido contenido neutral/positivo)</li><li><code>1</code> = Incitación al odio</li></ul><p dir="ltr">El proceso de creación de este algoritmo se expone en el informe técnico localizado en: Blanco-Valencia, X., De Gregorio-Vicente, O., Ruiz Iniesta, A., & Said-Hung, E. (2025). …”

Algoritmo de clasificación de expresiones de odio por tipos en español (Algorithm for classifying hate expressions by type in Spanish) by Daniel Pérez Palau (11097348)

“…</li></ul><p dir="ltr"><b>File Structure</b></p><p dir="ltr">The code generates and saves:</p><ul><li>Weights of the trained model (.h5)</li><li>Configured tokenizer</li><li>Training history in CSV</li><li>Requirements file</li></ul><p dir="ltr"><b>Important Notes</b></p><ul><li>The model excludes category 2 during training</li><li>Implements transfer learning from a pre-trained model for binary hate detection</li><li>Includes early stopping callbacks to prevent overfitting</li><li>Uses class weighting to handle category imbalances</li></ul><p dir="ltr">The process of creating this algorithm is explained in the technical report located at: Blanco-Valencia, X., De Gregorio-Vicente, O., Ruiz Iniesta, A., & Said-Hung, E. (2025). …”