Benefiting from the real-time processing ability of edge computing, computing tasks requested by smart devices in the Internet of Things are offloaded to edge computing devices (ECDs) for implementation. However, ECDs are often overloaded or underloaded with disproportionate resource requests. In addition, during the process of task offloading, the transmitted information is vulnerable, which can result in data incompleteness. In view of this challenge, a blockchain-enabled computation offloading method, named BeCome, is proposed in this article. Blockchain technology is employed in edge computing to ensure data integrity. Then, the nondominated sorting genetic algorithm III is adopted to generate strategies for balanced resource allocation. Furthermore, simple additive weighting and multicriteria decision making are utilized to identify the optimal offloading strategy. Finally, performance evaluations of BeCome are given through simulation experiments.

The dysfunction of human vascular smooth cells (hVSMCs) is significantly connected to the development of intracranial aneurysms (IAs). By suppressing the activity of microRNAs (miRNAs), circular RNAs (circRNAs) participate in IA pathogenesis. Nevertheless, the role of hsa_circ_0008571 in IAs remains unclear. circRNA sequencing was used to identify circRNAs from human IA tissues. To determine the function of circ_0008571, Transwell, wound healing, and cell proliferation assays were conducted. To identify the target of circ_0008571, the analyses of CircInteractome and TargetScan, as well as the luciferase assay were carried out. Furthermore, circ_0008571 knockdown and over-expression were performed to investigate its functions in IA development and the underlying molecular mechanisms. Both hsa_circ_0008571 and Integrin beta 8 (ITGB8) were downregulated, while miR-145-5p transcription was elevated in the aneurysm wall of IAs patients compared to superficial temporal artery tissues. In vitro, cell migration and growth were dramatically suppressed after hsa_circ_0008571 overexpression. Mechanistically, has_circ_0008571 could suppress miR-145-5p activity by direct sponging. Moreover, we found that ITGB8 expression and the activation of the TGF-β-mediated signaling pathway were significantly enhanced. The hsa_circ_0008571-miR-145-5p-ITGB8 axis plays an essential role in IA progression.

With the proliferation of Location-based Social Networks (LBSNs), user check-in data at Points-of-Interest (POIs) has surged, offering rich insights into user preferences. However, sequential POI recommendation systems always face two pivotal challenges. A challenge lies in the difficulty of modeling time in a discrete space, which fails to accurately capture the dynamic nature of user preferences. Another challenge is the inherent sparsity and noise in continuous POI recommendation, which hinder the recommendation process. To address these challenges, we propose counterfactual user sequence synthesis with continuous time dynamic preference modeling (CussCtpm). CussCtpm innovatively combines Gated Recurrent Unit (GRU) with neural Ordinary Differential Equations (ODEs) to model user preferences in a continuous time framework. CussCtpm captures user preferences at both the POI-level and interest-level, identifying deterministic and non-deterministic preference concepts. Particularly at the interest-level, we employ GRU and neural ODEs to model users' dynamic preferences in continuous space, aiming to capture finer-grained shifts in user preferences over time. Furthermore, CussCtpm utilizes counterfactual data augmentation to generate counterfactual positive and negative user sequences. Our extensive experiments on two widely-used public datasets demonstrate that CussCtpm outperforms several advanced baseline models.

With the growing privacy concerns in recommender systems, recommendation unlearning is getting increasing attention. Existing studies predominantly use training data, i.e., model inputs, as unlearning target. However, attackers can extract private information from the model even if it has not been explicitly encountered during training. We name this unseen information as attribute and treat it as unlearning target. To protect the sensitive attribute of users, Attribute Unlearning (AU) aims to make target attributes indistinguishable. In this paper, we focus on a strict but practical setting of AU, namely Post-Training Attribute Unlearning (PoT-AU), where unlearning can only be performed after the training of the recommendation model is completed. To address the PoT-AU problem in recommender systems, we propose a two-component loss function. The first component is distinguishability loss, where we design a distribution-based measurement to make attribute labels indistinguishable from attackers. We further extend this measurement to handle multi-class attribute cases with efficient computational overhead. The second component is regularization loss, where we explore a function-space measurement that effectively maintains recommendation performance compared to parameter-space regularization. We use stochastic gradient descent algorithm to optimize our proposed loss. Extensive experiments on four real-world datasets demonstrate the effectiveness of our proposed methods.