XiaoMi-AI文件搜索系统
World File Search System底层的
hpe aruba网络中央网络导体用例
HPE Aruba网络中央NetConductor通过云本地安全服务解决上述问题，简化的网络配置，具有覆盖层和基于底层的执法，使组织能够自动为校园和数据中心环境的全球规模上的Granular Granular访问控制安全政策配置网络基础架构，以实现最佳性能以及始终如一地配置网络基础架构。使用HPE Aruba网络中央网络导体，可以根据覆盖层的选择，可以从云中管理动态分割，并能够以分布式或集中的方式进行集中定义和强制以分布式或集中式的方式执行访问策略。HPE Aruba网络中央NetConductor为网络管理员和安全团队提供了一个共享的工具集，可保护和优化网络。
投入咨询有关欧盟即将到来的研究和创新框架计划的主题输入
•保存和加强支柱I和基础研究的重要性。出色的基础研究构成了提出主题优先事项并为重大社会挑战创新的知识基础。•主题优先事项对于通过协作项目应对重大社会挑战的重要性，但是需要增加Pillar II中TRL水平较低的呼叫数量，以在研究和创新之间找到良好的平衡。•确保采用跨学科性的系统方法以及社会科学和人文科学的融合。•可预测性和简化。•通过更底层的方法，较小的项目和较低的TRL级别来重新定位任务。•澄清协同作用，并避免在伙伴关系和框架计划的其他部分之间进行重复，以解决类似主题。
StratLearner：学习社交网络中预防错误信息的策略
给定一个以输入为输入的组合优化问题，我们能否在不知道其目标函数的情况下从输入-解决方案对的示例中学习解决该问题的策略？在本文中，我们考虑了这样的设置并研究了错误信息预防问题。给定攻击者-保护者对的示例，我们的目标是学习一种计算保护者以抵御未来攻击者的策略，而无需了解底层的扩散模型。为此，我们设计了一个结构化预测框架，其主要思想是使用通过随机采样的子图上的距离函数构建的随机特征来参数化评分函数，从而得到一个核化的评分函数，其权重可通过大边际方法学习。实验证明，我们的方法可以在不使用任何有关扩散模型的信息的情况下产生接近最优的保护者，并且它比其他可能的基于图和基于学习的方法表现得更好。
量子PEFT：超参数高效微调
摘要 本文介绍了利用量子计算进行参数高效微调 (PEFT) 的 Quantum-PEFT。与其他加性 PEFT 方法（例如低秩自适应 (LoRA)）不同，Quantum-PEFT 利用底层的全秩但令人惊讶的参数高效的量子幺正参数化和交替纠缠。使用 Pauli 参数化时，可训练参数的数量仅随环境维度呈对数增长，而不是像基于 LoRA 的 PEFT 方法那样呈线性增长。因此，随着维度的增长，Quantum-PEFT 实现的可训练参数数量比最低秩的 LoRA 少得多，从而提高了参数效率，同时保持了有竞争力的性能。我们将 Quantum-PEFT 应用于语言和视觉中的几个迁移学习基准，显示出参数效率的显著优势。
临床医生的人工智能 (AI) 指南
人工智能 (AI) 是医疗保健领域已经出现的未来。尽管人工智能有可能成为初级保健的变革力量，但大多数初级保健提供者 (PCP) 并不知道人工智能是什么，不知道人工智能将如何影响他们及其患者，也不知道人工智能的主要局限性和道德陷阱是什么。本文是一份面向一线 PCP 的医疗保健 AI 入门指南。初级保健是医疗保健金字塔底层的主导力量，与医疗系统的每个部分都紧密相连，与患者和社区关系密切，是最适合引领医疗保健 AI 革命的专业。PCP 可以通过与技术人员合作来推动医疗保健 AI 的发展，以确保 AI 用例具有相关性且以人为本，将质量改进方法应用于医疗保健 AI 实施，并倡导包容性和道德的 AI，以对抗而不是加剧健康不平等。 （J Am Board Fam Med 2022；35：175–184。）
临床医生的人工智能 (AI) 指南
人工智能 (AI) 是医疗保健领域已经出现的未来。尽管人工智能有可能成为初级保健的变革力量，但大多数初级保健提供者 (PCP) 并不知道人工智能是什么，不知道人工智能将如何影响他们及其患者，也不知道人工智能的主要局限性和道德陷阱是什么。本文是医疗保健 AI 的初学者指南，专为一线 PCP 编写。初级保健是医疗保健金字塔底层的主导力量，与医疗系统的每个部分都具有无与伦比的互联性，与患者和社区有着深厚的关系，是引领医疗保健 AI 革命最适合的专业。PCP 可以通过与技术人员合作来推进医疗保健 AI，以确保 AI 用例具有相关性且以人为本，将质量改进方法应用于医疗保健 AI 实施，并倡导包容性和道德性的 AI，以对抗而不是加剧健康不平等。( J Am Board Fam Med 2022;35:175–184.)
可解释人工智能的评估实际上告诉了我们什么？
尽管取得了重大进展，对可解释人工智能的评估仍然难以捉摸且具有挑战性。在本文中，我们提出了一个细粒度的验证框架，该框架不会过度依赖这些社会技术系统的任何一个方面，并且承认其固有的模块化结构：技术构件、面向用户的解释性工件和社交通信协议。虽然我们同意用户研究对于从特定部署环境中的被解释者的角度评估解释呈现和交付策略的质量和有效性非常有价值，但底层的解释生成机制需要一种单独的、以算法为主的验证策略，以考虑其（数字）输出的技术和以人为本的要求。这种全面的基于社会技术效用的评估框架可以系统地推理可解释人工智能系统所组成的不同构件的属性和下游影响——考虑到其多种工程和社会方面——考虑到预期的用例。
膨胀时空的过去完备性
我们讨论了膨胀时空是否可以在无限的过去中是测地线完备的。测地线完备性是避免永恒膨胀期间出现初始奇点的必要条件。人们经常争论说，膨胀速度足够快（平均哈勃膨胀率 H avg > 0 ）的宇宙学模型在零和类时间过去方向上必定是不完整的。这个众所周知的猜想依赖于哈勃参数在过去指向的类时间或零测地线上积分的特定界限。如上所述，我们表明这一说法是一个悬而未决的问题。我们表明，对于给定的时空，H avg 的计算会产生一系列结果，这些结果基于底层的拓扑假设。我们提出了 H avg 的改进定义，并引入了一组不可数无限的宇宙学解，尽管 H avg > 0 ，但它们是测地线完备的。我们讨论了膨胀时空的标准化定义以及对物理上合理的尺度因子的量子（半经典）宇宙学关注。
计算神经科学 NBIO136b 2020 年春季
我们大脑中的神经元如何产生电活动峰值？神经元如何相互通信？神经元群如何协同作用以产生对我们的生活如此重要的心理活动？如果您已经考虑过这些问题，并且想要的不仅仅是一个挥手的答案，那么计算神经科学就是您的课程。对任何过程的严格理解都要求我们能够用数学方程来表达该过程。当一个过程像单细胞的电压动态一样复杂，甚至像我们大脑中许多这样的细胞的连贯操作一样复杂时，我们必须简化底层的数学描述，并使用计算机模拟来测试数学方程是否正确描述行为。在本课程中，您将学习这些技能，这些技能原则上可以推广到任何复杂系统的研究。我们的课程是“半翻转”的，50％由教授讲授，50％由课堂辅导。学生将在每节课前完成必读内容，以获得课程内容。学生将在每节课前对阅读内容进行评论或提问/回答问题，并获得学分。
非均匀磁场中的相对论朗道量子化及其在白矮星和量子信息中的应用
我们研究了在“严格”空间变化的磁场（但不满足磁单极子条件）下相对论冷电子的二维运动。我们发现，在恒定磁场的情况下出现的朗道能级简并性在磁场变化时会消失，自旋向上和自旋向下电子的能级会根据磁场变化的性质以有趣的方式排列。此外，变化的磁场会将零角动量电子的朗道能级与正角动量分开，而恒定场只能将能级分为正角动量和负角动量。探索非均匀磁场中的朗道量子化本身就是一项独特的事业，对凝聚态物质、天体物理学和量子信息等领域都有跨学科影响。作为示例，我们展示了磁化白矮星，它们受到变化的磁场，同时受到洛伦兹力和朗道量子化的影响，从而影响底层的简并电子气，表现出对钱德拉塞卡质量极限的明显违反；并且在空间增长的磁场存在下，电子的量子速度会增加。