XiaoMi-AI文件搜索系统
World File Search System可证明的
算法选择的概括分析
摘要 - 在算法选择研究中，围绕算法特征的讨论被对问题特征的重点显着掩盖了。尽管一些实证研究已经提供了有关算法特征有效性的证据，但是将算法特征纳入算法选择模型的潜在好处，并且对不同场景的适用性尚不清楚。在本文中，我们通过提出基于算法功能的算法选择的第一个可证明的保证来解决这一差距，从而采用概括性的观点。我们分析与算法特征相关的收益和成本，并研究概括误差如何受到不同因素的影响。具体而言，我们分别检查了在转导和感应学习范式下的自适应和预定义算法特征，并根据模型的Rademacher复杂性得出了概括误差的上限。我们的理论发现不仅提供了紧密的上限，而且还提供了有关各种因素的影响的分析见解，例如问题实例的训练量表和候选算法，模型参数，特征值以及培训数据和测试数据之间的分布差异。值得注意的是，我们证明了模型如何从涉及许多算法的复杂场景中受益于算法特征，并证明了分布的概括误差与χ2差异之间的正相关。
![arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日](/simg/c\c6136e3d3be86df63cc8a76a434fa2b1531d99d1.webp)
arXiv:2010.02174v2 [quant-ph] 2020 年 11 月 30 日
在过去的几年中，提出了几种量子机器学习算法，这些算法有望比经典算法实现量子加速。这些学习算法中的大多数要么假设量子访问数据——因此，如果不做出这些强有力的假设，量子加速是否仍然存在尚不清楚，要么本质上是启发式的，没有可证明的优势优于经典算法。在本文中，我们使用一种通用量子学习算法建立了一种严格的量子加速监督分类方法，该算法只需要经典访问数据。我们的量子分类器是一种传统的支持向量机，它使用容错量子计算机来估计核函数。数据样本被映射到量子特征空间，核条目可以估计为量子电路的跃迁幅度。我们构建了一个数据集系列，并表明，假设离散对数问题具有普遍的难度，没有一个经典学习器能够比随机猜测更好地对数据进行逆多项式分类。同时，量子分类器实现了高精度，并且对于由有限采样统计引起的内核条目中的附加错误具有很强的鲁棒性。
提案编号02（USOF研发计划提案细节）
自由空间光通信 (FSOC) 也称为光无线通信，它一直是一个备受关注的话题，因为它利用了红外波段的宽广的未授权频谱，而不是已经拥挤的无线电频谱。当今的 FSO 技术能够在几公里的距离上每秒传输几千兆位的数据。事实证明，FSO 是解决连接问题的唯一可能解决方案，无论在何处安装光纤成本过高或困难重重。DOT 邀请印度初创企业/组织/研究和学术机构参与此合作项目，以开发一种 FSO 解决方案，该解决方案能够在至少 5 公里的距离内提供每波长至少 10G 带宽（全双工）。总带宽将取决于使用的波长数量。潜在参与者应具有光通信相关技术的可证明的专业知识，形式为完全或部分原型光学技术，包括但不限于组件/模块/硬件/软件/子系统或其最终产品。合作开发项目的最终成果应是可商业部署的 FSO 解决方案。项目成果将授权给感兴趣的参与者或第三方，可直接或与系统集成商合作进行大规模生产、营销和为最终用户部署。2）项目描述
政策平滑的加强学习奖励认证
强化学习（RL）在安全至关重要的地区取得了非凡的成功，但可以通过广泛的攻击来削弱它。最近的研究引入了“平滑政策”，以增强其鲁棒性。然而，建立可证明的保证以证明其全部奖励的约束仍然是挑战。先前的方法主要依赖于使用Lipschitz的连续性或计算累积奖励的概率高于特定阈值的概率。但是，这些技术仅适用于对RL药物观察结果的继续扰动，并且仅限于受L 2 -Norm界定的扰动。为这些限制做好了限制，本文提出了一种称为Receps的一般黑盒认证方法，该方法能够直接证明在各种L p-Norm有限扰动下平滑政策的累积奖励。更重要的是，我们扩展了我们的方法，以证明对动作空间的扰动。我们的方法利用F-差异来确保原始分布与扰动分布之间的区别，然后通过解决凸优化问题来确定限制的认证。我们提供了全面的理论分析并在多种环境中进行实验。我们的结果表明，我们的方法不仅可以改善平均累积奖励的认证下限的紧密度，而且还表现出比最新方法更好的效率。
人工智能、医药和健康领域行业相关博士项目
65 岁以上老人跌倒受伤是澳大利亚医疗保健行业的一个重大问题，每年造成 23 亿美元的损失。公共卫生系统为预防跌倒提供持续的现场支持，这种负担难以承受。全球立法要求为老年护理制定可证明的跌倒预防策略，而皇家委员会建议使用数字医疗来解决目前老年护理缺乏辅助医疗支持的问题，最近宣布的联邦预算承诺支持数字服务，以确保所有澳大利亚老年人都能获得有效的护理，包括预防跌倒。StandingTall 是一个创新的、基于证据的数字健康平台，旨在通过增强老年人的活动能力、平衡能力和自信心来减少老年人跌倒。StandingTall 由澳大利亚神经科学研究中心的顶尖研究人员开发，利用广泛的研究和临床试验来提供旨在预防跌倒的个性化锻炼计划。我们的人工智能解决方案集成了可穿戴设备的实时数据分析，以动态监控和调整锻炼。该项目将通过提供高度个性化、有效和响应迅速的跌倒预防策略、增强用户参与度并确保最佳进展和安全性，大大改善澳大利亚老年人的健康状况。
GPU 集群中的预测辅助在线分布式深度学习工作负载调度
摘要 — 近年来深度学习 (DL) 模型的爆炸式增长使得人们迫切需要在 GPU 集群中对混合并行分布式深度学习训练 (DDLwMP) 进行高效的作业调度。本文提出了一种自适应最短剩余处理时间优先 (A-SRPT) 调度算法，这是一种新颖的预测辅助在线调度方法，旨在缓解与 DL 集群调度相关的挑战。通过将每个作业建模为与异构深度神经网络 (DNN) 模型及其相关的分布式训练配置相对应的图，A-SRPT 策略性地将作业分配给可用的 GPU，从而最大限度地减少服务器间的通信开销。观察到大多数 DDLwMP 作业会重复出现，A-SRPT 结合随机森林回归模型来预测训练迭代。至关重要的是，A-SRPT 将复杂的调度问题映射到单机实例中，该实例通过抢占式“最短剩余处理时间优先”策略得到最佳解决。该优化解决方案可作为 GPU 集群内实际作业调度的指南，从而实现理论上可证明的竞争性调度效率。我们进行了广泛的真实测试平台和模拟实验来验证我们提出的算法。
GPU 集群中的预测辅助在线分布式深度学习工作负载调度
摘要 — 近年来深度学习 (DL) 模型的爆炸式增长使得人们迫切需要在 GPU 集群中对混合并行分布式深度学习训练 (DDLwMP) 进行高效的作业调度。本文提出了一种自适应最短剩余处理时间优先 (A-SRPT) 调度算法，这是一种新颖的预测辅助在线调度方法，旨在缓解与 DL 集群调度相关的挑战。通过将每个作业建模为与异构深度神经网络 (DNN) 模型及其相关的分布式训练配置相对应的图，A-SRPT 策略性地将作业分配给可用的 GPU，从而最大限度地减少服务器间的通信开销。观察到大多数 DDLwMP 作业会重复出现，A-SRPT 结合随机森林回归模型来预测训练迭代。至关重要的是，A-SRPT 将复杂的调度问题映射到单机实例中，该实例通过抢占式“最短剩余处理时间优先”策略得到最佳解决。该优化解决方案可作为 GPU 集群内实际作业调度的指南，从而实现理论上可证明的竞争性调度效率。我们进行了广泛的真实测试平台和模拟实验来验证我们提出的算法。
量子世界中的可否认加密
(发送者)可否认加密提供了非常强的隐私保障：在攻击者胁迫下事后“打开”其密文的发送者能够生成与其选择的任何明文一致的“假”局部随机选择。已知唯一完全有效的公钥可否认加密构造依赖于不可区分混淆 (iO)（目前只能基于亚指数硬度假设）。在这项工作中，我们研究了 (发送者)可否认加密，其中加密过程是量子算法，但密文是经典的。首先，我们在此环境中提出了经典定义的量子类似物。我们给出一个满足该定义的完全有效构造，假设带错学习 (LWE) 问题的量子硬度。其次，我们表明量子计算可以解锁一种从根本上更强大的可否认加密形式，我们称之为完全不可解释性。不可解释性的核心原语是量子计算，对于该计算，没有可证明的有效方法（例如展示“计算历史”）来确定输出确实是计算的结果。我们给出了一个在随机预言模型中安全的构造，假设 LWE 具有量子硬度。至关重要的是，这个概念意味着一种“事前”的针对强制的保护形式，这是经典方法无法实现的特性。
Stegastylegan：迈向通用和实用的生成图像隐志
由于具有促进安全性和散装嵌入能力的潜力，生成图像隐志的最新进展引起了人们的关注。但是，通常用于特定任务的生成隐志方案，并且几乎不应用于具有实际约束的应用。为了解决这个问题，本文提出了一种通用的生成图像steganography方案，称为隐肌Stylegan（Stegastylegan），该方案符合同一框架内的安全性，容量和稳健性的实际目标。在Stegastylegan中，使用新颖的分布保护秘密数据模块（DP-SDM）用于通过保留模型输入的数据分布来实现可证明的固定构成图像隐肌。此外，发明了一种通用和有效的秘密数据提取器（SDE），以进行准确的秘密数据提取。通过选择是否在训练过程中合并图像攻击模拟器（IAS），一个人可以获取两个具有不同参数但相同结构（发电机和提取器）的模型，以进行无损和有损的通道隐秘通信，即Stegastylegan-ls and Stegastylegan和Stegastylegan。此外，通过与GAN倒置交配，也可以实现有条件的生成型软糖。实验结果表明，无论是对于无损或有损的通信陈列而言，提出的Stegastylegan都可以显着超过相应的最新计划。
通过强大的优化，可证明神经网络的强大和合理的反事实解释
反事实解释（CES）已成为解释神经网络分类器的主要方法的越来越多的兴趣。通常，输入输出对的CES定义为具有最小距离的数据点，该数据点与输入分类的输入最小距离，而该输入与输出标签相比。要解决模型参数时很容易无效的确定问题（例如，重新培训）研究提出了方法来证明在模型参数变化下由标准球界定的CES鲁棒性。但是，针对这种鲁棒性形式的现有方法并不完整，它们可能会产生令人难以置信的CES，即离群值WRT WRT训练数据集。实际上，没有现有的方法同时优化邻近性和合理性，同时保留鲁棒性保证。在这项工作中，我们提出了可证明的强大和合理的反事实表达（PREPLACE）1，这是一种利用强大优化技术来促进上述文献中限制的方法。我们制定了一种迭代算法来计算可证明可靠的CES并证明其收敛性，健全性和完整性。通过涉及六个基线的比较实验，其中五个靶向鲁棒性，我们表明，在三个评估方面，预言实现了针对指标的最新表现。关键字：可解释的AI；反事实解释；解释的鲁棒性