XiaoMi-AI文件搜索系统
World File Search System变量
具有后选择的连续变量测量装置独立量子会议
分析了一种连续变量 (CV)、独立于测量设备的 (MDI) 量子密钥分发 (QKD) 协议，该协议使三方能够连接进行量子会议。我们在不受信任的中继器上利用广义贝尔检测和后选择程序，其中远距离各方根据其准备好的相干态的正交位移的符号进行协调。我们推导出集体纯损失攻击下的协议速率，与等效的非后选择协议相比，该协议的速率距离性能有所提高。在所有各方与中继器距离相同的对称配置中，我们发现 6 公里内的密钥速率为正。这种后选择技术可用于提高长距离多方量子会议协议的速率，但代价是短距离性能降低。
连续变量量子密钥分发的可组合安全性：有线和无线网络中的信任级别和实际密钥率
连续变量 (CV) 量子密钥分发 (QKD) 为安全量子通信提供了强大的环境，这要归功于使用室温现成的光学设备并且有可能达到比标准离散变量对应物高得多的速率。在本文中，我们提供了一个通用框架，用于研究在各方经历的损失和噪声的不同信任级别下，使用高斯调制相干态协议的 CV-QKD 的可组合有限尺寸安全性。我们的论文考虑了有线（即基于光纤）和无线（即自由空间）量子通信。在后一种情况下，我们表明在具有固定和移动设备的安全量子网络中，短距离光学无线 (LiFi) 可以实现高密钥速率。最后，我们将研究扩展到微波无线 (WiFi)，讨论 CV-QKD 在极短距离应用中的安全性和可行性。
学习变种式 - 产物关系和变量 -
我们介绍了VARM，va riant r Elationship m atcher策略，以识别电子商务目录中的一对变体产品。实体解决方案的传统定义与产品提及是否是指相同的基础产品。但是，这未能捕获对电子商务应用程序至关重要的产品关系，例如在同一网页上列出的相似但不相同的产品或共享评论。在这里，我们制定了一种在变体产品关系中的新型实体分辨率，以捕获这些相似的电子商务产品链接。与传统的定义相反，新定义既需要识别两个产品是彼此的变体匹配，以及它们之间有什么变化的属性。为了满足这两个要求，我们制定了一种利用编码和生成AI模型的优势的策略。首先，我们构建了一个捕获网页产品链接的数据集，并因此构建了产品关系，以训练编码LLM以预测任何给定的产品的变体匹配。第二，我们使用抹布提示了一代LLM，以在变体产品组之间提取变异和共同属性。为了验证我们的战略，我们使用世界领先的电子商务零售商之一的真实数据评估了模型性能。结果表明，我们的策略超出了替代解决方案，并为利用这些新型产品关系的方式铺平了道路。
天文光谱的积极和规模不变的高斯过程潜在变量模型
高斯流程（GPS）[1]是机器学习中的一种多功能工具，但对它们的构成诸如阳性，单调性或物理约束之类的约束是具有挑战性的[2]。过去的作品已考虑将GPS作为差异方程的解决方案[3]，时间和光谱重建问题[4]，或通过线性操作员注入域特异性约束[5]。其他作品与非线性函数相结合的GP输出[6，7]，通过约束边际可能性[8]或铸造线性约束作为截短的多变量高斯分布的条件期望，将输出结合到正值[9]。在这项工作中，我们旨在发现一个积极价值的天文光谱的潜在空间。在过去的降低谱图[10，11，12]的作品中，[13]独特地纳入了非阴性约束。，我们通过将其外部限制到正值来扩展高斯过程潜在变量模型（GPLVM）[14]。天文光谱的幅度不是本质的物理特性，不应在潜在空间中反映。我们引入了规模不变，并表明它会导致更好的重建。
预测气候协变量对埃塞俄比亚风能的影响
摘要：本研究探讨了埃塞俄比亚风速与风速的气候协变量和空间元素的相互作用。它打算使用气象数据集在未观察到的空间点上推断风的潜在斑点。我们应用了一个组合的动态空间面板自回归随机效应模型，其位置的空间重量是空间重量。这种空间重量优于其他空间权重以捕获空间依赖性并提高有效估计。结果描述的是，平均风速在经度范围和纬度跨度上有所不同，受气候协变量的影响，并在一年中的几个月中波动。风速强度沿该地区的中部，东部和东北部高。在2月，3月，6月和7月相对于9月和10月的几个月中也很高。证据表明，夏季和春季风速较高，但在冬季和秋季季节相对较低。这意味着风速主要是在雨季结束和开始之前的风速很高。模型估计还表明，平均风速在相邻站点和时间点之间在空间上相关。特别是，平均风速随海拔和温度而增加，但随着降水的增加而降低。阳光级分和相对湿度具有负面影响，但它们的影响在统计学上并不显着，p = 0.2496和p = 0.4484。总而言之，建议使用这些方法来预测显示随机过程的数据。关键字：贝叶斯推论；动态空间面板自回归模型，预测，
图形卷积网络辅助海洋变量预测，其时空进化的多特征学建模
摘要 - 海洋变量的变化，例如海面温度（SST）和叶绿素-A（CHL-A），对海洋生态系统和全球气候变化具有重要意义。可以使用依赖卷积神经网络的深度学习方法来提取海洋变量预测的空间相关性。然而，在某些地区（例如土地和岛屿）对海洋变量预测无效的情况下，这些方法具有影响。相比之下，图形卷积网络（GCN）能够捕获不规则数据中存在的大规模空间依赖性。因此，在本文中，我们提出了一种基于GCN的预测海洋变量的方法，即SST和CHL-A，称其为OVPGCN，以实现高清。提出的OVPGCN由三个模块组成，旨在通过对时空动力学演化的多特征进行建模，以完全提取空间相关性和时间依赖性。特别是，在最近的时空序列，不同站点之间的空间差异和历史数据中的周期性特征中，实现了三个模块来提取固定和非平稳变化。精心设计的OVPGCN适用于Bohai Sea和South South South Sea（NSCS）的每月SST和CHL-A预测。性能表明，所提出的OVPGCN非常有效，并使预测准确性比最先进的方法更高。
b'hoban，S.，Archer，F。I.，Bertola，L。D.，Bragg，J.G.，Breed，M。F.，Bruford，M.W.，Coleman，M.A.，Ekblom，R.，327 Funk，W.C.，Grueber，Grueber，C.E. F.，Liggins，L.，328 MacDonald，A.J.，Mergeay，J.，Potter，K.M.，\ Xe2 \ X80 \ Xa6 Vernesi，C。（2022）。全球遗传多样性状态和329个趋势：朝向遗传组成的基本生物多样性变量（EBV）。生物学330评论，1。 https://doi.org/10.1111/brv.12852 331'
b'hoban，S.，Archer，F。I.，Bertola，L。D.，Bragg，J.G.，Breed，M。F.，Bruford，M.W.，Coleman，M.A.，Ekblom，R.，327 Funk，W.C.，Grueber，Grueber，C.E. F.，Liggins，L.，328 MacDonald，A.J.，Mergeay，J.，Potter，K.M.，\ Xe2 \ X80 \ Xa6 Vernesi，C。（2022）。全球遗传多样性状态和329个趋势：朝向遗传组成的基本生物多样性变量（EBV）。生物学330评论，1。https://doi.org/10.1111/brv.12852 331'https://doi.org/10.1111/brv.12852 331'
地球系统建模的基线气候变量
2Grib（以二进制形式以常规规则分布的信息）是WMO的WMO标准，用于运营气象数据3ECV（基本气候变量）是变量和相关质量目标的标准列表，用于协调地球观察数据产品。https://gcos.wmo.int/index.php/en/essential-climate-variables 4 https://gcos.wmo.int/en/global-climate-indicators 5此讨论基于ESGF索引的信息，来自ESGF INDEX，8月24日，2023年8月24日。6 CMIP中最近（历史）的全努力实验旨在使模型模拟对当前气候和观察到的气候变化进行评估。7 CMIP6的数据发布仍在进行中，但是随着数据量的扩展，存档中的空白模式仍然存在。
