XiaoMi-AI文件搜索系统
World File Search System实验评估
第 14 届声音与音乐计算会议论文集...
Jeffrey M. Morris Ferin Martino 的巡演：将同一算法艺术装置改编到不同场地和平台的经验教训 Tejaswinee Kelkar、Alexander Refsum Jensenius 探索“声音追踪”中的旋律和运动特征 Ryan Kirkbride Troop：一种用于现场编码的协作工具 Yusuke Wada、Yoshiaki Bando、Eita Nakamura、Katsutoshi Itoyama、Kazuyoshi Yoshii 一种自适应卡拉 OK 系统，可与用户的歌声同步播放音乐音频信号的伴奏部分 Jose J. Valero-Mas、José M. Iñesta 对起始选择函数中阈值建立的描述性统计和自适应方法的实验评估 Raul Masu、Andrea Conci、Cristina Core、Antonella de Angeli、Fabio Morreale Robinflock：一种用于与儿童互动场景的复音算法作曲家Philippe Kocher 技术辅助的多时间音乐表演 Peter Lennox、Ian McKenzie 通过组织传导研究空间音乐感受质
时间高效的量子到经典数据解码
摘要。噪声中型量子 (NISQ) 设备面临的一个关键挑战是实现时间高效的量子态测量或读出。通常在量子应用中，数据被编码为叠加量子态的振幅。为了从量子态中提取信息，需要对量子电路进行重复采样，这会在系统执行时间中产生很大的开销。本文提出并评估了从量子态解码信息的时间高效方法。从量子域中提取经典数据的过程在本文中称为量子到经典 (Q2C) 数据解码。我们提出了一种基于使用多级可分解量子小波变换 (QWT) 对量子态进行时间高效采样的新型 Q2C 方法。在 IBM Quantum 最先进的量子计算平台上对所提出的 Q2C 方法进行了实验评估。获得了电路执行时间和电路深度的测量值。实验结果与我们的理论预期一致，并且我们与现有技术进行了定量比较，证实了我们提出的方法的效率。
解读吸毒者的情绪：面部和身体情绪识别以及厌恶情绪的证据
摘要：背景：不同的药物会损害额叶皮质，特别是与情绪和认知功能有关的前额叶区域，导致药物滥用者解码情绪缺陷。本研究旨在通过面部、身体和厌恶情绪识别探索药物滥用者的认知障碍，扩大情绪处理的研究范围，测量准确性和反应速度。方法：我们招募了 13 名可卡因成瘾者和 12 名酒精成瘾者，他们在意大利接受治疗服务，并与 33 名匹配的对照组进行比较。实验评估包括面部情绪和身体姿势识别任务、厌恶评级任务和 Barrat 冲动量表。结果：我们发现情绪过程受到可卡因和酒精的不同影响，这表明这些物质会影响不同的大脑系统。结论：药物滥用者在面部、身体和厌恶情绪的阐述方面似乎不太准确。考虑到参与者没有认知障碍，我们的数据支持情绪障碍独立于认知功能损害而出现的假设。
采用增材制造和机器人技术的先进复合材料制造
摘要。在机械工程领域，尖端技术的采用和整合有望在材料科学和生产工艺方面取得前所未有的进步。本文深入探讨了利用增材制造 (AM) 和机器人技术的先进复合材料制造这一开创性领域。该研究利用了增材制造的内在优点，例如增强的设计自由度、缩短交货时间和复杂的细节，将这些优势与机器人机制提供的精度、速度和可重复性相结合。这些方法的结合使得制造具有无与伦比的几何复杂性和定制机械性能的复合结构成为可能。我们探索的关键见解包括优化复合材料的 AM 参数、机器人路径规划以实现高效分层以及集成过程控制的整体技术。实验评估表明，强度重量比、生产效率和可重复性方面有显著改善。我们的发现为复合材料生产的新领域铺平了道路，对从航空航天到生物医学工程等行业具有重要意义。这项研究为我们在日益数字化的时代如何看待和运用复合制造迈出了范式转变的基础性一步。
APS实验安全评论 - 高级光子源
使用高级光子源（AP）基于Web的系统，研究人员必须通过准备和提交实验安全评估表（ESAF）来定义APS的实验活动范围。提交的ESAF将生成实验危害控制计划（EHCP）。ESAF识别与实验相关的材料，设备，过程和危害。EHCP确定了减轻危害到可接受的风险水平所需的所有控件，并定义了ESAF的工作范围。APS的工作人员和非助长者研究人员必须遵循本政策和程序中所述的实验评估和批准过程，用于在X-Ray Beamine和APS的其他实验设施（例如实验室）上进行的实验。为了本政策和程序的目的，该组织负责该设施的日常运营，其中实验称为实验操作管理。实验操作管理包括协作访问团队（CAT）和APS XSD组。实验操作管理和APS实验安全审查委员会（ESRB）作为审查过程中的合作伙伴一起工作，以确保在APS维护安全的工作环境。一个实验不能没有：
以人为启发的框架加速增强学习
强化学习（RL）对于数据科学决策至关重要，但源于样本效率低下，尤其是在具有昂贵的物理互动的现实情况下。本文引入了一个新型的人类启发框架，以提高RL算法样品效率。它通过最初将学习代理暴露于更简单的任务来实现这一目标，这些任务逐渐增加了复杂性，最终导致了主要任务。此方法不需要预训练，并且只需要学习更简单的任务才能进行一次迭代。所产生的知识可以促进各种转移学习方法，例如价值和政策转移，并增加计算复杂性。可以在不同的目标，环境和RL算法中应用，包括基于价值的，基于策略的，表格和深度RL方法。实验评估证明了该框架在提高样本效率方面的效率，尤其是在挑战主要任务中，通过简单的随机步行和更复杂的最佳控制问题证明了具有约束的最佳最佳控制问题。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
二进制级别的指示fuzzing用于无使用后的漏洞
通过利用其他信息，例如（部分）错误堆栈跟踪，补丁或风险操作的操作，的指示模糊着重于自动测试代码的特定部分。 关键应用程序包括错误复制，补丁测试和静态分析报告验证。 最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。 我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。 该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。 对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。 uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。 最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。的指示模糊着重于自动测试代码的特定部分。关键应用程序包括错误复制，补丁测试和静态分析报告验证。最近有指示的模糊引起了很多关注，但诸如无用后（UAF）之类的难以检测的漏洞仍未得到很好的解决，尤其是在二进制层面上。我们提出了UAF UZZ，这是第一个（二进制级）定向的灰色fuzzer，该灰盒源自UAF错误。该技术采用了针对UAF指定的量身定制的模糊引擎，轻质代码仪器和有效的错误分类步骤。对实际情况的错误复制的实验评估表明，就故障检测率，暴露时间和虫子三叶虫的时间而言，UAZ的UZZ明显优于最先进的指示fuzz。uaf uzz也已被证明在补丁测试中有效，从而在Perl，GPAC和GNU补丁等程序中发现了30个新错误（7 CVE）。最后，我们向社区提供了一个巨大的模糊基准，该基准专用于UAF，并建立在真实的代码和实际错误上。
ngia：一种新型的基于基因序列聚类的基于贪婪的增量对准算法✩
基因序列聚类在计算生物学和生物信息学中非常重要且重要，用于研究系统发育关系和基因功能预测等。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。 基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。 例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。 已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。 需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。算法。本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。此外，我们开发了一个多节点版本来处理大型数据集。该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。强可伸缩性测试表明，NGIA的多节点版本可以以31％的并行效率扩展32个线程。©2022 Elsevier B.V.保留所有权利。
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。