XiaoMi-AI文件搜索系统
World File Search System同样
网络安全中人工智能技术的叙述概述
诱饵：在钓鱼游戏中，不同类型的诱饵用于捕捉不同类型的鱼。同样，网络犯罪分子使用各种类型的诱饵（如钓鱼电子邮件或虚假网站）来诱骗用户点击链接或输入敏感信息。 上钩：一旦鱼上钩，鱼钩就被设置好了。同样，一旦用户陷入钓鱼骗局或下载恶意附件，攻击者就会在系统中立足并开始攻击。 收线：一旦鱼上钩，目标就是快速安全地将其收线。在网络安全中，一旦检测到攻击，目标就是遏制攻击并防止进一步损害。 引诱：在钓鱼游戏中，垂钓者可能会使用诱饵来模仿特定类型鱼的运动并将其吸引到诱饵上。同样，攻击者可能会使用社会工程技术来操纵用户泄露敏感信息或下载恶意软件。 广撒网：在钓鱼游戏中，钓鱼者可能会广撒网以增加捕鱼的机会。同样，攻击者可能会使用群发垃圾邮件活动或其他自动化工具来瞄准大量潜在受害者。
使用人体内部脑电图从自然语音中解码语义
Camille R. C. Pescatore 1* , Haoyu Zhang 1* , Alex E. Hadjinicolaou 1 , Angelique C. Paulk 1,2 , John D. Rolston 3 , R. Mark Richardson 4 , Ziv M. Williams 4,5,6 , Jing Cai 4† & Sydney S. Cash 1,2,5† 1 Department of Neurology, Massachusetts General Hospital, Harvard Medical School, Boston, MA.2马萨诸塞州波士顿的马萨诸塞州综合医院神经科学中心和神经记录中心。3，杨百翰和妇女医院神经外科部，马萨诸塞州波士顿哈佛医学院。4马萨诸塞州波士顿哈佛医学院马萨诸塞州综合医院神经外科部。5哈佛大学卫生科学与技术部，马萨诸塞州波士顿。6哈佛医学院，马萨诸塞州波士顿神经科学计划。 *这些作者也同样贡献。 †这些作者也同样贡献。 应向谁致辞，电子邮件：jcai5@mgh.harvard.edu6哈佛医学院，马萨诸塞州波士顿神经科学计划。*这些作者也同样贡献。†这些作者也同样贡献。应向谁致辞，电子邮件：jcai5@mgh.harvard.edu
数字经济的 MBA - 康奈尔·约翰逊
会议起源和亮点 约翰逊的首届女性科技大会 (JWiT) 是 Sarah Maynard 和 Melissa Carr Adeyanju 的创意，两人均为 MBA‘14 届，她们发现她们有一个共同的目标：支持对科技行业感兴趣的女性 MBA 学生。她们试图回答一个关于科技行业的常见问题：“女性在哪里？”“女性同样才华横溢。女性同样热情洋溢。女性同样能干，”Maynard 说道，并指出女性应该自由“想象一条没有任何障碍的职业道路”。Adeyanju 和 Maynard 获得了约翰逊高科技俱乐部和女性管理委员会成员对以女性科技人士为主题的会议的支持，并获得了主办此次活动的花旗银行和众多其他公司的赞助。为了吸引学生和专业人士，此次活动设有小组讨论和交流机会。
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
讲座 7：测量量子态之间的距离
场景：从集合中辨别状态。在前面的场景中，Bob 以概率 λ 收到量子态 ρ 0 ，以概率 1 − λ 收到量子态 ρ 1 。现在让我们将这个场景推广到两个以上的量子态：同样，Alice 站在一个有 n ∈ N 个按钮的设备旁边。按下按钮 “i” 后，设备从某个量子态集合 { ρ 1 , ... , ρ n } ⊂ D ( H ) 中发射一个量子态为 ρ i 的粒子。同样，Bob 抓住粒子，使用 POVM µ : { 1 , ... , n } → B ( H ) + 对其进行测量，并猜测如果 Alice 收到该结果，则他按下了按钮 j 。假设 Alice 按照概率分布 p ∈P{ 1 , ... , n } 按下按钮，Bob 猜测的最佳成功概率是多少？同样，给定一个特定的 POVM µ : { 1 , . . . , n } → B ( H ) + ，我们可以将成功概率表示为
晚期肝细胞癌的免疫疗法更新
1内科，加利福尼亚大学，戴维斯分校，萨克拉曼多，加利福尼亚州95817，美国； drasingh@ucdavis.edu 2 UC Davis综合癌症中心，萨克拉曼多，CA 95817，美国； rbeechinor@ucdavis.edu 3血液学肿瘤学，加利福尼亚大学，戴维斯分校，萨克拉曼多，加利福尼亚州95817，美国； jachuynh@ucdavis.edu 4医学肿瘤科，希望市综合癌症中心和美国加利福尼亚州杜阿尔特的贝克曼研究所，美国加利福尼亚州91010； danli@coh.org 5血液肿瘤学，加利福尼亚大学，欧文，欧文，加利福尼亚州92868，美国； fdayyani@hs.uci.edu（f.d.）; jvalerin@s.uci.edu（j.b.v.）6血液学肿瘤学，Cedars-Sinai Medical Center，洛杉矶，CA 90048，美国； andrew.hendifar@cshs.org（A.H.）; jun.gong@cshs.org（J.G。） *信函：mayc5@hs.uci.edu†这些作者同样贡献了本文的第一作者。 ‡这些作者与高级作者同样为本文做出了贡献。6血液学肿瘤学，Cedars-Sinai Medical Center，洛杉矶，CA 90048，美国； andrew.hendifar@cshs.org（A.H.）; jun.gong@cshs.org（J.G。）*信函：mayc5@hs.uci.edu†这些作者同样贡献了本文的第一作者。‡这些作者与高级作者同样为本文做出了贡献。
在光子时间晶体中的纵向光音子，该晶体包含固定
*这两位作者也同样贡献。†hli01@nankai.edu.cn‡jjxu@nankai.edu.cn§boris@physics.technion.ac.ac.il
