XiaoMi-AI文件搜索系统
World File Search System可证明的
算法量子加速的演示
尽管量子计算机的性能日益强大，但使用当今的非容错设备进行可证明的算法量子加速的实验演示仍然难以实现。在这里，我们明确地在 Oracle 模型中展示了这种加速，并以解决问题时间指标与问题规模的缩放比例来量化。我们利用两个不同的 27 量子位 IBM Quantum (IBMQ) 超导处理器实现了单次 Bernstein-Vazirani 算法，该算法解决了识别每次 Oracle 查询后都会发生变化的隐藏位串的问题。当量子计算受到动态解耦保护时，仅在两个处理器中的一个上观察到加速，但如果没有动态解耦，则不会出现加速。这里报告的量子加速不依赖于任何额外的假设或复杂性理论猜想，并在具有 Oracle 和验证器的游戏环境中解决了真正的计算问题。
使用小深度量子电路进行量子性测试
最近，Brakerski、Christiano、Mahadev、Vazirani 和 Vidick (FOCS 2018) 展示了如何基于带错学习 (LWE) 假设构建量子性测试：该测试可以由量子计算机有效解决，但在 LWE 假设下无法由经典多项式时间计算机解决。该测试已导致多种加密应用。具体而言，它已应用于从单个不受信任的量子设备产生可证明的随机性、对单个量子设备进行自我测试以及独立于设备的量子密钥分发。在本文中，我们表明，这种量子性测试以及基本上所有上述应用实际上都可以通过一类非常弱的量子电路来实现：恒定深度量子电路与对数深度经典计算相结合。这揭示了这种基本量子性测试的新颖复杂性理论特性，并为小深度量子电路优于经典计算提供了新的具体证据。
自适应单向功能和应用程序-CS@Cornell
复杂性理论的最新技术迫使密码学家将其方案基于未经证实的硬度假设。这样的假设可以是一般的（例如，单向函数的存在）或特定的假设（例如，RSA的硬度或离散对数问题的硬度）。特定的硬度假设通常比其一般对应物更强。但是，由于这样的假设考虑了具有更多结构的原语，因此它们适合于更有效的协议的结构，有时甚至是在不存在此额外结构时不存在的对象的结构。的确，近年来，已经引起了一些新的和更奇特的特异性硬度假设（例如[12，4，11]），导致效率提高的标志方案除其他外，但也是第一个证明是基于身份的基于识别的构造的。在本文中，我们介绍了一类新的强大但一般的硬度，并展示如何使用这些假设来解决密码学中某些长期持久的开放问题。我们的假设都是随机甲骨文的混凝土特性的抽象。因此，我们的结果表明，对于我们考虑的问题，不需要随机的牙齿；相反，可证明的安全结构可以基于具体的硬度假设。
linyi li - - 计算科学学院
tss：用于鲁棒性认证的特定于转换的平滑。ACM计算机和通信安全会议（CCS）2021。[视频] 6。Huichen Li *，Linyi Li *，Xiaojun Xu，Xiaolu Zhang，Shuang Yang，Bo Li。基于非线性投影的梯度估计，用于查询有效的黑框攻击。国际人工智能与统计会议（AISTATS）2021。5。Linyi Li，Zhenwen Li，Weijie Zhang，Jun Zhou，Pengcheng Wang，Jing Wu，Guanghua HE，Xia Zeng，Yuetang Deng，Tao Xie。自然语言中的聚类测试步骤，以自动化测试自动化。ACM联合欧洲软件工程会议和关于软件工程基础（ESEC/FSE）2020，行业轨道的研讨会。[视频] 4。linyi li *，Zexuan Zhong *，Bo Li，Tao Xie。Robustra：在参考对抗空间上训练可证明的强大神经网络。2019年国际人工智能联合会议（IJCAI）。
神经训练的疗效在深座脑病变中进行活检
如今，由于技术的出现（例如计算机断层扫描（CT）扫描和磁共振成像（MRI），2,3，2,3，。 此外，系统疾病患者的治疗方法的进展和增加的存活率增加，导致转移到中枢神经系统或中枢神经系统感染的高发病率中，部分是由于免疫系统缺乏症（因受到免疫缺陷症的接受或辅助症而受到免疫治疗的患者）的一部分，或引起了免疫缺陷的（辅助因素），这是由于受到免疫缺陷的（辅助因素）的影响。系统癌的化学疗法）；多样性和中枢神经系统神经病理学的数量增加了需要对大脑空间病变（SOLS）的组织学和细胞学的更准确详细鉴别诊断（SOLS）4,5的需求。 在大多数患者中，可以通过临床和实验室发现准确诊断脑病变。 例子是多发性硬化症，继发性感染和寄生虫疾病，转移性肿瘤以及全身性疾病的大脑参与。 但是，在CT扫描或MRI中诊断出的许多脑部病变是该疾病的唯一可证明的文件，其治疗设计取决于组织学诊断6,7如今，由于技术的出现（例如计算机断层扫描（CT）扫描和磁共振成像（MRI），2,3，2,3，。此外，系统疾病患者的治疗方法的进展和增加的存活率增加，导致转移到中枢神经系统或中枢神经系统感染的高发病率中，部分是由于免疫系统缺乏症（因受到免疫缺陷症的接受或辅助症而受到免疫治疗的患者）的一部分，或引起了免疫缺陷的（辅助因素），这是由于受到免疫缺陷的（辅助因素）的影响。系统癌的化学疗法）；多样性和中枢神经系统神经病理学的数量增加了需要对大脑空间病变（SOLS）的组织学和细胞学的更准确详细鉴别诊断（SOLS）4,5的需求。在大多数患者中，可以通过临床和实验室发现准确诊断脑病变。例子是多发性硬化症，继发性感染和寄生虫疾病，转移性肿瘤以及全身性疾病的大脑参与。但是，在CT扫描或MRI中诊断出的许多脑部病变是该疾病的唯一可证明的文件，其治疗设计取决于组织学诊断6,7
开发用于量子自旋电子学的碳化硅
在目前的长距离通信中，大量粒子携带的经典信息本质上对某些传输损耗具有鲁棒性，但因此可能会被窃听而不被察觉。另一方面，量子通信可以提供可证明的隐私，并可以利用量子中继器进行纠缠交换来减轻传输损耗。为此，过去几十年来，人们付出了相当大的努力来开发量子中继器，将长寿命量子存储器与不可区分的单光子源结合起来。已经开发了多种固态光学自旋量子比特候选物，包括量子点、稀土离子以及金刚石和碳化硅 (SiC) 中的色心。从这个角度来看，我们简要概述了在 SiC 中开发光学活性自旋量子比特的最新进展，并讨论了量子中继器在应用中的挑战和可能的解决方案。鉴于不同材料平台的发展，讨论了 SiC 自旋量子比特在可扩展量子网络中的前景。
什么时候可以观察到的强化学习不是可怕的？
强化学习的应用（RL），尽管缺乏有关受控系统潜在状态的完整信息，但在该范围内，学会学会做出一系列裁定，即它们在国家的部分观察性下起作用，但无处不在。部分可观察到的RL可能很难 - 众所周知的信息理论结果表明，在最坏情况下，学习部分可用的马尔可夫决策过程（POMDP）需要指数级的样本。然而，这并不排除在学习是可以解决的庞大的POMDP的大型子类的存在。在本文中，我们确定了这样的子类，我们称之为弱揭示的POMDP。这个家庭排除了POMDP的病理实例，在某种程度上，观察结果是无知的，从而使学习艰难。我们证明，对于弱揭示了POMDP，一种简单的算法结合了乐观和最大似然估计（MLE），以确保保证多样性样本复杂性。据我们所知，这是从胜过pomdps中的相互作用中学习的第一个可证明的样本效果结果，其中潜在状态的数量可以大于观测值的数量。
使用 IG 时的有用提示：
与监察长合作时的提示： • 尽量确保您的问题不仅仅是个人的“小烦恼”或“牢骚”；监察长不会处理这些问题。 • 首先使用您的指挥系统；您的直属上司有责任先于其他人解决您的问题。 • 如果存在这样的系统，请先使用已建立的上诉或补救系统（例如，绩效评估报告上诉程序、申诉程序等），然后再寻求监察长帮助 • 先联系您当地的监察长寻求帮助，然后再向更高总部的监察长寻求支持。 • 当您请求监察长帮助时，监察长会问您四个初始问题： 1. 您具体希望监察长为您做什么？ 2. 您的指挥系统是否知道这个问题/情况？ 3. 您还向谁寻求过帮助（父母、国会议员等）？ 4. 您有什么文件？ 监察长： • 不能修改或无视法规；但是，他们可以建议修改法规。 • 可以建议解决方案，但没有权力命令任何人做任何事情。 • 以可记录、可证明的事实为依据，而非谣言、猜测或传闻。 • “如实回答。”“公正”的回答并不总是您想听到的。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。
在量子随机Oracle模型中HMAC和NMAC的紧密量子安全性
摘要。HMAC和NMAC是将Merkle-DamgLARD HASH函数转换为消息Au-thentication代码（MACS）或伪随机函数（PRFS）的最基本和重要结构。在Crypto 2017上，Song和Yun在标准假设下表明HMAC和NMAC是量子伪函数（QPRF），即潜在的压缩函数是QPRF。当HMAC和NMAC的输出长度为n位时，他们的证明可确保安全性高达O（2 N/ 5）或O（2 N/ 8）量子查询。但是，可证明的安全性约束与使用O（2 N/ 3）量子查询的简单区分攻击之间存在差距。本文解决了缩小差距的问题。我们表明，将HMAC或NMAC与随机函数区分开的量子查询数的紧密结合是量子随机甲骨文模型中的θ（2 n/ 3），其中压缩函数被建模为量子随机甲壳。基于Zhandry压缩甲骨文技术的替代形式化，给出紧密的量子绑定，我们引入了一种新的证明技术，重点是量子查询记录的对称性。