XiaoMi-AI文件搜索系统
World File Search System伯恩斯坦
官方评论（第 3 轮）- CRYSTALS-KYBER
DJ伯恩斯坦写道：> NIST 于 2020 年 6 月 9 日 15:39:09 +0000 发送的电子邮件指出“我们认为 CoreSVP 指标确实表明哪些晶格方案在设置参数时更积极，哪些更不积极”。 > > 几乎所有晶格提交都报告了其 Core-SVP 级别（量子前和量子后——我们在这里重点关注量子前），这与此声明以及 NIST 之前似乎鼓励使用 Core-SVP 的声明一致。 > > 问题：“CoreSVP 指标”为第 3 轮 Kyber-512 分配了多少数字？ > > 第 3 轮 Kyber 提交的表 4 似乎可以回答这个问题，其中列出了第 3 轮 Kyber-512 的“Core-SVP”为 2^118。我在这里有一个澄清问题： > > * 第 3 轮 Kyber 提交声称第 3 轮 Kyber-512 在“CoreSVP 指标”中为 2^118，NIST 表示它使用该指标来比较晶格方案的“激进程度”，这与其他提交中使用的指标相同吗？ > > 我目前的理解是答案是否定的，这意味着第 3 轮 Kyber 提交的这一部分需要忽略 NIST 宣布的比较机制，而是需要对第 3 轮 Kyber-512 Core-SVP 级别进行新的陈述。 > > 这是我得出这个理解的方式。如果我误解了什么，请纠正我。 > > 第 2 轮 Kyber 提交列出了一个更小的数字，2^111，作为第 2 轮 Kyber-512 的“Core-SVP”。这并不直接与第 3 轮 Kyber-512 达到 2^118 的想法相矛盾：第 3 轮提交确定了从第 2 轮 Kyber-512 到第 3 轮 Kyber-512 的变化；也许这些变化会增加 Core-SVP 级别。 > > 然而，更详细的解读似乎表明，加密系统中的这些变化不足以达到 Core-SVP 2^118，并且第 3 轮 Kyber 提交声称 2^118 的唯一方法是通过_改变指标_，尽管继续使用“Core-SVP”字样。
官方评论（第 3 轮）- CRYSTALS-KYBER
DJ伯恩斯坦写道：> NIST 于 2020 年 6 月 9 日 15:39:09 +0000 发送的电子邮件指出“我们认为 CoreSVP 指标确实表明哪些晶格方案在设置参数时更积极，哪些更不积极”。 > > 几乎所有晶格提交都报告了其 Core-SVP 级别（量子前和量子后——我们在这里重点关注量子前），这与此声明以及 NIST 之前似乎鼓励使用 Core-SVP 的声明一致。 > > 问题：“CoreSVP 指标”为第 3 轮 Kyber-512 分配了多少数字？ > > 第 3 轮 Kyber 提交的表 4 似乎可以回答这个问题，其中列出了第 3 轮 Kyber-512 的“Core-SVP”为 2^118。我在这里有一个澄清问题： > > * 第 3 轮 Kyber 提交声称第 3 轮 Kyber-512 在“CoreSVP 指标”中为 2^118，NIST 表示它使用该指标来比较晶格方案的“激进程度”，这与其他提交中使用的指标相同吗？ > > 我目前的理解是答案是否定的，这意味着第 3 轮 Kyber 提交的这一部分需要忽略 NIST 宣布的比较机制，而是需要对第 3 轮 Kyber-512 Core-SVP 级别进行新的陈述。 > > 这是我得出这个理解的方式。如果我误解了什么，请纠正我。 > > 第 2 轮 Kyber 提交列出了一个更小的数字，2^111，作为第 2 轮 Kyber-512 的“Core-SVP”。这并不直接与第 3 轮 Kyber-512 达到 2^118 的想法相矛盾：第 3 轮提交确定了从第 2 轮 Kyber-512 到第 3 轮 Kyber-512 的变化；也许这些变化会增加 Core-SVP 级别。 > > 然而，更详细的解读似乎表明，加密系统中的这些变化不足以达到 Core-SVP 2^118，并且第 3 轮 Kyber 提交声称 2^118 的唯一方法是通过_改变指标_，尽管继续使用“Core-SVP”字样。
官方评论（第 3 轮）- CRYSTALS-KYBER
DJ伯恩斯坦写道：> NIST 于 2020 年 6 月 9 日 15:39:09 +0000 发送的电子邮件指出“我们认为 CoreSVP 指标确实表明哪些晶格方案在设置参数时更积极，哪些更不积极”。 > > 几乎所有晶格提交都报告了其 Core-SVP 级别（量子前和量子后——我们在这里重点关注量子前），这与此声明以及 NIST 之前似乎鼓励使用 Core-SVP 的声明一致。 > > 问题：“CoreSVP 指标”为第 3 轮 Kyber-512 分配了多少数字？ > > 第 3 轮 Kyber 提交的表 4 似乎可以回答这个问题，其中列出了第 3 轮 Kyber-512 的“Core-SVP”为 2^118。我在这里有一个澄清问题： > > * 第 3 轮 Kyber 提交声称第 3 轮 Kyber-512 在“CoreSVP 指标”中为 2^118，NIST 表示它使用该指标来比较晶格方案的“激进程度”，这与其他提交中使用的指标相同吗？ > > 我目前的理解是答案是否定的，这意味着第 3 轮 Kyber 提交的这一部分需要忽略 NIST 宣布的比较机制，而是需要对第 3 轮 Kyber-512 Core-SVP 级别进行新的陈述。 > > 这是我得出这个理解的方式。如果我误解了什么，请纠正我。 > > 第 2 轮 Kyber 提交列出了一个更小的数字，2^111，作为第 2 轮 Kyber-512 的“Core-SVP”。这并不直接与第 3 轮 Kyber-512 达到 2^118 的想法相矛盾：第 3 轮提交确定了从第 2 轮 Kyber-512 到第 3 轮 Kyber-512 的变化；也许这些变化会增加 Core-SVP 级别。 > > 然而，更详细的解读似乎表明，加密系统中的这些变化不足以达到 Core-SVP 2^118，并且第 3 轮 Kyber 提交声称 2^118 的唯一方法是通过_改变指标_，尽管继续使用“Core-SVP”字样。
使用Chacha20
教育协会的机构小组，印度海得拉巴摘要电子邮件通讯在现代社会中起着至关重要的作用，促进了个人和专业互动。但是，确保通过电子邮件交换的敏感信息的安全性和机密性仍然是一个重大问题。此项目使用CHACHA20加密算法介绍了电子邮件过滤器的开发和实施。chacha20是由丹尼尔·J·伯恩斯坦（Daniel J. Bernstein）设计的对称流密封算法。它通常用于加密协议和应用程序，尤其是在确保互联网流量的情况下。它以其速度和安全性而闻名，它是TLS（传输层安全性）协议套件的一部分，以及其他应用程序。chacha20在64个字节块上运行，使用256位的密钥大小。它被认为是非常安全的，并且在各种安全敏感的应用程序中都广泛采用。可能会发生加密之前，需要生成一个加密密钥。对于Chacha20，通常会生成一个安全的随机键。密钥应保密，仅在发件人和预期的接收者之间共享。为了最大程度的安全性，通常将电子邮件中的CHACHA20加密作为端到端加密方案的一部分实现。这意味着电子邮件的内容已在发件人的设备上加密，并且只能由预期的收件人解密，而没有中介（包括电子邮件服务提供商）可以访问明文。但是，有担保的电子邮件信件现在仍然是一个很大的问题，因为数据泄露和网络威胁到一天的上升。总的来说，Chacha20通过加密消息的内容来确保电子邮件通信的机密性，从而保护其免受未经授权的访问或拦截，从而发挥着至关重要的作用。关键字：CHACHA20，加密，解密，电子邮件安全性，端到端口（E2EE），我们所居住的数字时代的身份验证和完整性，电子邮件通信对生活的个人和业务领域至关重要。chacha20：一种新的加密算法，同时安全有效，非常适合提高电子邮件的机密性。这种选择使用CHACHA20进行电子邮件加密的选择是因为Chacha20确保通过不安全渠道发送数据的用户的内容隐私不会受到损害，并且以可靠有效的方式保持安全。在许多健康和癌性皮肤的例子的程序中，这些程序可以学会识别
青少年大脑的结构差异可以预测酒精滥用
1 柏林夏里特医学院（柏林自由大学、柏林洪堡大学和柏林卫生研究所的企业成员），精神病学和心理治疗系，伯恩斯坦计算神经科学中心，德国柏林；2 柏林工业大学 IV 学院 - 电气工程和计算机科学，德国柏林；3 柏林自由大学教育与心理学系，德国柏林；4 智力科学，卓越研究集群，德国柏林；5 社会与预防医学，体育与健康科学系，院内单位“认知科学”，人文科学学院，勃兰登堡健康科学学院，服务研究和电子健康研究领域，波茨坦大学，德国波茨坦； 6 德国曼海姆海德堡大学医学院中央精神卫生研究所儿童和青少年精神病学和心理治疗系；7 爱尔兰都柏林都柏林圣三一学院医学院和圣三一学院神经科学研究所精神病学学科；8 英国伦敦国王学院精神病学研究所、心理学神经科学 SGDP 中心人口神经科学和精准医学中心 (PONS)；9 德国海德堡大学医学院中央精神卫生研究所认知和临床神经科学研究所；10 德国曼海姆曼海姆大学社会科学学院心理学系；11 法国巴黎巴黎萨克雷大学 CEA NeuroSpin；12 美国伯灵顿佛蒙特大学精神病学和心理学系； 13 诺丁汉大学彼得·曼斯菲尔德爵士成像中心物理与天文学学院，英国诺丁汉； 14 联邦物理技术研究所，柏林，德国； 15 国家健康与医学研究所、INSERM U A10 “Trajectoires développementales en psychiatrie”巴黎-萨克莱大学、巴黎-萨克莱高等师范学院、法国国家科学研究中心、法国伊维特河畔吉夫博雷利中心； 16 AP-HP 索邦大学，儿童和青少年精神病学系，Pitié-Salpêtrière 医院，法国巴黎； 17 法国埃唐普 EPS Barthélémy Durand 精神病学系； 18 德国柏林洪堡大学 Charite Mitte 校区精神病学和心理治疗系 PONS 研究小组； 19 疾病神经退行性疾病研究所，UMR 5293，CNRS，CEA，波尔多大学，波尔多，法国； 20 蒙特利尔大学医学院和圣贾斯汀大学中心医院精神病学系，蒙特利尔，
![arXiv:2010.11961v1 [quant-ph] 2020 年 10 月 22 日](/simg/8\89ffe82c33c41c9d63c00d5863ea506f59175a70.webp)
arXiv:2010.11961v1 [quant-ph] 2020 年 10 月 22 日
2.2 量子物理中的泄漏。现在我们解释为什么当 [ 定律 ] 提到量子物理时，所声称的推论 ( 4 ) 不成立。7 更准确地说，我们认为存在在本地处理经典信息而不泄漏的方法。由于 [ 定律 ] 断言所有信息处理设备都遵循量子物理定律，我们自然必须假设所有信息（包括经典信息）都由量子系统的状态表示。这个想法就是利用量子理论强加信息泄漏与其扰动之间的关系这一事实。泄漏和扰动之间的关系是不确定性原理的一个例子。它可以非常简单地说明如下。考虑一个量子系统 Q ，它可以存储一位经典信息 X ，编码为正交基态 | bx 〉 。例如，两个基态可以是捕获离子的两个不同电子态。经典比特的泄漏（例如通过电磁辐射）对应于将 X 复制到另一个系统（称为 Q ′ ）的操作。这可以通过 Q 和 Q ′ 的 CNOT 门建模，控制在 Q 上，目标在 Q ′ 上，其中 Q ′ 最初准备在 | b 0 〉状态。在经典世界中，仅能访问 Q 的一方无法注意到 CNOT 门的存在。然而，量子理论断言 CNOT 门通常会影响系统 Q 的状态，因此原则上是可检测到的。具体而言，为了测试系统是否泄漏，可以将 Q 准备在叠加态 | + 〉 = | b 0 〉 + | b 1 〉（忽略标准化）。CNOT 门将使 Q 和 Q ′ 纠缠，产生 | Ψ 〉 = | b 0 〉 Q | b 0 〉 Q ′ + | b 1 〉 Q | b 1 〉 Q ′ 。忽略系统 Q ′ ，Q 的边际态就是最大混合密度算子，即 | 的均等混合（非叠加）。 + 〉 和 |−〉 = | b 0 〉−| b 1 〉 。因此，叠加态的相位被随机化，或者换句话说，Q 受到了相位误差的影响。观察到相位误差意味着一定发生了泄漏。虽然这个例子中的泄漏机制非常具体，但在量子力学中，信息增益和扰动之间存在一般的权衡。泄漏总会导致扰动，无论其通过哪个通道泄漏的细节如何。为了在所需的一般性水平上表达这种权衡，我们将过程描述为保留迹的完全正映射 (TPCPM)。这类映射包括任何与量子理论定律兼容的可能过程，即任何遵循假设 [ 定律 ] 的过程，例如伯恩斯坦例子中的电磁辐射。
青少年大脑的结构差异可以预测酒精滥用
1 柏林夏里特医学院（柏林自由大学、柏林洪堡大学和柏林卫生研究所的企业成员），精神病学和心理治疗系，伯恩斯坦计算神经科学中心，德国柏林；2 柏林工业大学 IV 学院 - 电气工程和计算机科学，德国柏林；3 柏林自由大学教育与心理学系，德国柏林；4 智力科学，卓越研究集群，德国柏林；5 社会与预防医学，体育与健康科学系，院内单位“认知科学”，人文科学学院，勃兰登堡健康科学学院，服务研究和电子健康研究领域，波茨坦大学，德国波茨坦； 6 德国曼海姆海德堡大学医学院中央精神卫生研究所儿童和青少年精神病学和心理治疗系；7 爱尔兰都柏林都柏林圣三一学院医学院和圣三一学院神经科学研究所精神病学学科；8 英国伦敦国王学院精神病学研究所、心理学神经科学 SGDP 中心人口神经科学和精准医学中心 (PONS)；9 德国海德堡大学医学院中央精神卫生研究所认知和临床神经科学研究所；10 德国曼海姆曼海姆大学社会科学学院心理学系；11 法国巴黎巴黎萨克雷大学 CEA NeuroSpin；12 美国伯灵顿佛蒙特大学精神病学和心理学系； 13 诺丁汉大学彼得·曼斯菲尔德爵士成像中心物理与天文学学院，英国诺丁汉； 14 联邦物理技术研究所，柏林，德国； 15 国家健康与医学研究所、INSERM U A10“Trajectoires développementales en psychiatrie”巴黎-萨克莱大学、巴黎-萨克莱高等师范学院、法国国家科学研究中心、法国伊维特河畔吉夫博雷利中心； 16 AP-HP 索邦大学，儿童和青少年精神病学系，Pitié-Salpêtrière 医院，法国巴黎； 17 法国埃唐普 EPS Barthélémy Durand 精神病学系； 18 德国柏林洪堡大学 Charite Mitte 校区精神病学和心理治疗系 PONS 研究小组； 19 疾病神经退行性疾病研究所，UMR 5293，CNRS，CEA，波尔多大学，波尔多，法国； 20 蒙特利尔大学医学院和圣贾斯汀大学中心医院精神病学系，蒙特利尔，
了解二进制二进制解码
ghosh – Verbauwhede论文涉及Cryptosys-Tem [47，算法3]的恒定时间硬件实现，以及对基于代码的加密术的Overbeck-Sendrier调查[69，第139-140页]。所有这些来源（以及更多）都描述了Patterson [72，V节]引入的算法，以纠正由无方面的多项式定义的二进制GOPPA代码的T错误。McEliece的纸介绍了Mceliece Cryptosystem [63]也指出了Patterson的算法。但是，帕特森的算法不是最简单的快速二进制二进制解码器。这里的一个问题是，简单性与纠正的错误数量之间存在折衷（这反过来影响了所需的mceliece密钥大小），如以下变体所示：帕特森的论文包含了更简单的算法以纠正⌊t/ 2⌋错误；从苏丹[84]开始，然后是Guruswami – Sudan [50]，更复杂的“列表解码”算法，校正略多于T错误。，但让我们专注于快速算法，以纠正传统上使用McEliece Cryptosystem中使用的T错误。主要问题是，在这些算法中，Patterson的算法并不是最简单的。GOPPA已经在GOPPA代码的第一篇论文中指出了[48，第4节]，二进制GOPPA代码由平方英尺定义的多项式G也由G 2定义。校正由G 2定义的代码中T错误的问题立即减少到用T错误（即Reed – Solomon解码）的多项式插值问题。生成的二进制二进制解码器比Patterson的解码器更简单。简单性的好处超出了主题的一般可访问性：简单算法的软件倾向于更易于优化，更容易防止定时攻击，并且更易于测试。在伯恩斯坦– Chou-Schwabe [16]，Chou [34]和Chen – Chou [32]的最先进的McEliece软件中使用了相同的简单结构并不是一个巧合。该软件消除了与数据有关的时机，同时包括子例程中的许多加速度。避免帕特森的算法也可能有助于正式验证软件正确性，这是当今量词后加密术的主要挑战。也许有一天为Patterson的算法软件赶上了这些其他功能，也许它会带来进一步的加速，或者可能不会。Patterson的算法用于某些计算，使用度t而不是度量2 t，但还包括额外的计算，例如反转模量G；文献尚未明确速度是否大于放缓。，即使帕特森的算法最终更快，肯定会有一些应用程序更重要。只有Patterson的算法才想到Knuth的名言[55，第268页]，即“过早优化是所有邪恶的根源”。对于熟悉编码理论的受众来说，“ G 2的GOPPA代码与G 2的GOPPA代码相同；对于更广泛的受众来说，可以通过说“以下关于编码理论的课程”来减少上一句话。，但对于观众来说，将重点放在这种解码器上的小道路上是更有效的，而且文学中似乎没有任何如此的小型言语。总而言之，本文是对由无方面的多项式定义的二进制GOPPA代码的简单t eRROR解码器的一般性介绍，并通过证明了t -reed reed – solomon解码器的证明。
叶俊 - JILA - 科罗拉多大学博尔德分校
叶俊 现任职位 美国商务部国家标准与技术研究所研究员 JILA 研究员，科罗拉多大学博尔德分校 JILA 和物理系兼职教授 网址：https://jila.colorado.edu/Yelabs，电话 303-735-3171，电子邮箱 Ye@jila.colorado.edu 教育背景 科罗拉多大学物理学博士，1997 年；新墨西哥大学物理学硕士，1991 年； 1989 年，上海交通大学应用物理学学士 荣誉与奖项 2024 年，斯德哥尔摩莉泽·迈特纳杰出讲座和奖章 科睿唯安/汤森路透，高被引研究人员（前 1%），每年从 2014 年到 2023 年 上海交通大学数学与物理科学远见奖，2023 年 美国商务部金牌（光学原子钟），2022 年 美国国防部 Vannevar Bush 奖学金，2022 年 德国物理学会 (DPG) 和 OPTICA (OSA) Herbert Walther 奖，2022 年 尼尔斯·玻尔研究所荣誉勋章，2022 年 基础物理学突破奖（与 H. Katori 共享），2022 年 Julius Springer 应用物理学奖，2021 年 墨子量子奖（与 C. Caves 和 H. Katori 共享）， 2020 美国物理学会（APS）诺曼·F·拉姆齐奖，2019 美国商务部金牌（原子钟网络），2019 II IEEE 拉比奖，2018 中国科学院外籍院士，2017 美国国家标准与技术研究所雅各布·拉比诺奖，2017 总统等级奖（美国），杰出，2015 美国商务部金牌（光学原子钟），2014 落基山鹰奖，2014 戈登和贝蒂·摩尔基金会研究员奖，2013 美国国家科学院院士，2011 年；澳大利亚科学院 Frew 研究员，2011 年 美国商务部金牌（超冷分子），2011 年 欧洲频率和时间论坛 (EFTF) 奖，2009 年 加州理工学院 Gordon 和 Betty Moore 杰出学者，2008 年 美国物理学会 (APS) II Rabi 奖，2007 年 德国卡尔蔡司研究奖，2007 年 美国光学学会 (OSA) William F. Meggers 奖，2006 年 美国国家标准与技术研究所 Samuel Wesley Stratton 奖，2006 年 德国亚历山大·冯·洪堡基金会 Friedrich Wilhem Bessel 研究奖，2006 年 美国光学学会研究员，2006 年 一等奖（技术创新），Amazing Light: Vision for Discovery (CH Townes)，2005 年 美国物理学会研究员，2005 年 Arthur S. Flemming 奖（美国联邦政府科学类），2005美国商务部国家标准与技术研究所研究员，2004 年 总统早期职业科学家和工程师奖，2003 年《技术评论》杂志的 TR100 青年创新者，2002 年 美国商务部金奖（光频率梳），2001 年 美国国家工程院工程前沿研讨会奖，2000 年 美国光学学会（OSA）阿道夫·隆奖章，1999 年 RA 密立根奖奖学金，加州理工学院，1997 年 - 1999 年 大学奖学金，科罗拉多大学博尔德分校，1993 年 - 1994 年 银光奖（优秀本科生奖），荣誉毕业生，交通大学，1987-89 年 命名讲师和教授职位 安娜·I·麦克弗森讲座，麦吉尔大学 2025 年；亚历克斯·达尔加诺讲座，哈佛大学 2024 年；理查德·B·伯恩斯坦讲座，威斯康星大学 2023 年；汉斯·詹森讲座，海德堡大学 2023 年；杰克·穆努希安
课程vitae
[1] T. Cui和F. Pillichshammer（2025）。伯恩斯坦近似及以后：通过基本概率理论的证明，元素der Mathematik，被接受，Arxiv：2307.11533。[2] T. Cui，J。Dong，A。Jasra和X. T. Tong（2025）。数值MCMC的收敛速度和近似精度，应用概率的进步，57（1），doi：10.1017/apr.2024.28。[3] T. Cui，G。Ditommaso，R。Scheichl（2024）。多级维度独立于可能性的MCMC，用于大规模反问题，反问题，40，035005。[4] Y. Zhao和T. Cui（2024）。张量训练方法用于状态空间模型中的顺序状态和参数学习，机器学习研究杂志，接受，ARXIV：2301.09891。[5] T. Cui，H。de Sterck，A。D. Gilbert，S。Polishchuk和R. Scheichl（2024）。多层次的蒙特卡洛方法用于随机对流扩散特征值问题，《科学计算杂志》，99（3），1-34。[6] T. Cui，S。Dolgov和R. Scheichl（2024）。使用张量列车进行的深度重要性采样，并适用于先验和后验罕见的事件估计，《 Siam Scientific Computing杂志》，46（1），C1 – C29。[7] T. Cui，S。Dolgov，O。Zahm（2023）。可扩展的有条件深度逆罗森布拉特使用张量列和基于梯度的尺寸降低，计算物理学杂志，485，112103。[8] T. Cui，S。Dolgov（2022）。使用平方逆的Rosenblatt传输，计算数学基础，22（6），1863– 1922年对张量列车的深度组成。[9] T. Cui，X。T。Tong和O. Zahm（2022）。先前的标准化了贝叶斯反问题，逆问题，38（12），124002。[10] T. Cui，X。T. Tong（2022）。统一的绩效分析对信息性的子空间方法，Bernoulli，28（4），2788–2815。[11] O. Zahm，T。Cui，K。Law，Y。Marzouk和A. Spantini（2022）。非线性贝叶斯逆问题的认证维度降低，计算数学，91（336），1789–1835。[12] T. Cui，Z. Wang和Z. Zhang（2022）。通过非线性流变学，计算物理学的通信，ARXIV：2209.02088，一种用于冰川建模的变分神经网络方法。[13] L. Bian，T。Cui，B.T。 Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。[13] L. Bian，T。Cui，B.T。Yeo，A。Fornito，A。Razi，J。Keith（2021）。 使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div> [14] T. Cui，O。Zahm（2021）。 无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。 [15] J. Bardsley，T。Cui（2021）。 基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。 [16] C. Fox，T。Cui，M。Neumayer（2020）。 随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。 [17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。 [18] R. Brown，J。Bardsley，T。Cui（2020）。 [19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。Yeo，A。Fornito，A。Razi，J。Keith（2021）。使用功能性MRI，Neuroimage，244，118635识别大脑状态，过渡和社区。div>[14] T. Cui，O。Zahm（2021）。无数据的贝叶斯反问题，反问题的无数据信息尺寸减小，37（4），045009。[15] J. Bardsley，T。Cui（2021）。基于优化的非线性层次统计反问题的MCMC方法，《不确定性量化》的暹罗/ASA期刊，9（1），29-64。[16] C. Fox，T。Cui，M。Neumayer（2020）。随机降低了效率的大都市量的前向模型，并应用于地下流体流量和电容层析成像，《辉煌的地质杂志》，《地貌杂志》，11（1），1-38。[17] J. Bardsley，T。Cui，Y。Marzouk，Z。Wang（2020）。[18] R. Brown，J。Bardsley，T。Cui（2020）。[19] S. Wu，T。Cui，X。Zhang，T。Tian（2020）。基于功能空间的基于可扩展优化的采样，《暹罗科学计算杂志》，42（2），A1317 – A1347。贝叶斯逆问题中的晶状麦片先验的半变量图超参数估计，逆问题，36（5），055006。一种用于推断遗传调节网络的非线性反向工程方法，PEERJ，8，E9065。[20] T. Cui，C。Fox，C.，M。O'Sullivan（2019）。大规模逆问题的自适应误差模型 - 延迟 - 受众MCMC中降低的模型的随机校正，并应用于多相性逆问题，《工程数值国际杂志》，118（10），578-605。[21] T. Cui，C。Fox，G。Nicholls，M。O'Sullivan（2019）。使用平行马尔可夫链蒙特卡洛来量化地热储层校准中的不确定性，国际不确定性量化杂志，9（3），295–310。[22] S. Thiele，L。Grose，T。Cui，S。Micklethwaite，A。Cruden（2019）。从数字数据中提取高分辨率结构取向：贝叶斯方法，结构地质杂志，122，106–115。[23] C. Reboul，S。Kiesewetter，M。Eager，M。Belousoff，T。Cui，H。DeSterck，D。Elmlund，H。Elmlund（2018）。快速接近原子分辨率单粒子3D重建，简单，结构生物学杂志，204（2），172-181。[24] A. Spantini，T。Cui，K。Willcox，L。Tenorio和Y. Marzouk（2017）。贝叶斯线性反问题的面向目标的最佳近似，《暹罗科学计算杂志》，39（5），S167 – S196。[25] Z. Wang，Y。Marzouk，J。Bardsley，T。Cui和A. Solonen（2017）。贝叶斯的逆问题L 1先验：随机化 - 优化方法，Siam on Scientific Computing杂志，39（5），S140 – S166。