XiaoMi-AI文件搜索系统
World File Search System最优的
![arXiv:2501.01291v1 [cs.AI] 2025 年 1 月 2 日](/simg/6\653deeb5efad78e36f3c2e27b9e7aba48761d425.png)
arXiv:2501.01291v1 [cs.AI] 2025 年 1 月 2 日
传统的多臂老虎机 (MAB) 算法是为平稳环境设计的，其中与臂相关的奖励分布不会随时间而变化。然而，在许多应用中，环境被更准确地建模为非平稳的。在这项工作中，研究了分段平稳 MAB (PS-MAB) 环境，其中与一部分臂相关的奖励分布在某些变化点发生变化，而在变化点之间保持平稳。我们的重点是 PS-MAB 的渐近分析，之前已经为其提出了基于变化检测 (CD) 的实用算法。我们的目标是模块化此类基于 CD 的老虎机 (CDB) 程序的设计和分析。为此，我们确定了模块化所需的平稳老虎机算法和 CDB 程序中变化检测器的要求。我们假设奖励是亚高斯的。在此假设和变化点分离的条件下，我们表明 CDB 程序的分析确实可以模块化，因此可以以统一的方式获得各种变化检测器和强盗算法组合的遗憾界限。通过这种分析，我们开发了新的模块化 CDB 程序，这些程序是顺序最优的。我们在模拟中将我们的模块化 CDB 程序的性能与其他各种方法进行了比较。
![arXiv:2501.01291v1 [cs.AI] 2025 年 1 月 2 日](/simg/f\f52a3aac91627968cfd5ee7f349b9908aeff8184.png)
arXiv:2501.01291v1 [cs.AI] 2025 年 1 月 2 日
传统的多臂老虎机 (MAB) 算法是为平稳环境设计的，其中与臂相关的奖励分布不会随时间而变化。然而，在许多应用中，环境被更准确地建模为非平稳的。在这项工作中，研究了分段平稳 MAB (PS-MAB) 环境，其中与一部分臂相关的奖励分布在某些变化点发生变化，而在变化点之间保持平稳。我们的重点是 PS-MAB 的渐近分析，之前已经为其提出了基于变化检测 (CD) 的实用算法。我们的目标是模块化此类基于 CD 的老虎机 (CDB) 程序的设计和分析。为此，我们确定了模块化所需的平稳老虎机算法和 CDB 程序中变化检测器的要求。我们假设奖励是亚高斯的。在此假设和变化点分离的条件下，我们表明 CDB 程序的分析确实可以模块化，因此可以以统一的方式获得各种变化检测器和强盗算法组合的遗憾界限。通过这种分析，我们开发了新的模块化 CDB 程序，这些程序是顺序最优的。我们在模拟中将我们的模块化 CDB 程序的性能与其他各种方法进行了比较。
已发布版本的引用 (APA)：Apers, S., & de Wolf, R. (2020)。图稀疏化、切割近似和拉普拉斯算子求解器的量子加速
图稀疏化是大量算法的基础，从切割问题的近似算法到图拉普拉斯算子的线性系统求解器。在其最强形式中，“谱稀疏化”将边数减少到节点数的近似线性，同时近似地保留图的切割和谱结构。在这项工作中，我们展示了谱稀疏化及其许多应用的多项式量子加速。具体而言，我们给出了一种量子算法，给定一个具有 n 个节点和 m 条边的加权图，在亚线性时间内输出 ϵ -谱稀疏器的经典描述 e O ( √ mn/ϵ )。这与最佳经典复杂度 e O ( m ) 形成对比。我们还证明我们的量子算法在多对数因子范围内是最优的。该算法建立在一系列关于稀疏化、图扩展器、最短路径量子算法和 k 向独立随机字符串的有效构造方面的现有成果之上。我们的算法意味着解决拉普拉斯系统和近似一系列切割问题（例如最小切割和最稀疏切割）的量子加速。
量子信息第六章量子算法
6 量子算法 1 6.1 一些量子算法 1 6.2 周期性 7 6.2.1 寻找周期 8 6.2.2 从 FFT 到 QFT 10 6.3 因式分解 12 6.3.1 因式分解作为周期寻找 12 6.3.2 RSA 16 6.4 相位估计 18 6.5 隐藏子群问题 21 6.5.1 离散对数问题 23 6.5.2 Di?e-Hellman 密钥交换 23 6.5.3 寻找阿贝尔隐藏子群 24 6.6 量子搜索 28 6.6.1 广义搜索 31 6.7 Grover 算法是最优的 32 6.8 使用量子计算机模拟量子物理 35 6.8.1 模拟局部汉密尔顿量的时间演化 35 6.8.2 估计能量特征值和能量特征态的准备 39 6.9 轻度纠缠量子计算的经典模拟 42 6.10 局部哈密顿问题的 QMA 完备性 46 6.10.1 3-SAT 是 NP 完全的 47 6.10.2 受挫自旋玻璃 49 6.10.3 量子 k 局部哈密顿问题 50 6.10.4 构造和分析哈密顿量 51
通过三元树实现费米子到量子比特的最佳映射，并应用于简化量子态学习
我们引入一个在三元树上定义的费米子到量子比特的映射，其中 n 模式费米子系统上的任何单个 Majorana 算子都映射到对 ⌈ log 3 (2 n + 1) ⌉ 个量子比特进行非平凡作用的多量子比特 Pauli 算子。该映射结构简单，并且是最优的，因为在任何对少于 log 3 (2 n ) 个量子比特进行非平凡作用的费米子到量子比特映射中都不可能构造 Pauli 算子。我们将它应用于学习 k 费米子约化密度矩阵 (RDM) 的问题，该问题与各种量子模拟应用有关。我们表明，通过重复单个量子电路 ≲ (2 n + 1) k ϵ − 2 次，可以并行确定所有 k 费米子 RDM 中的各个元素，精度为 ϵ。这一结果基于我们在此开发的方法，该方法允许人们并行确定所有 k 量子比特 RDM 的各个元素，精度为 ϵ，方法是将单个量子电路重复 ≲ 3 k ϵ − 2 次，与系统大小无关。这改进了现有的确定量子比特 RDM 的方案。
用于生成纠缠量子子系统的顶点小通用图
我们研究了 k -稳定器通用量子态的概念，即 n -量子比特量子态，这样就可以仅使用局部操作和经典通信在任何 k 量子比特上诱导任何稳定器状态。这些状态概括了 Bravyi 等人提出的 k -可配对状态的概念，可以从组合的角度使用图状态和 k -顶点小通用图进行研究。首先，我们证明了 k -稳定器通用图状态的存在，它们的大小在 n = Θ(k2) 量子比特时是最优的。我们还提供了参数，对于这些参数，Θ(k2) 量子比特上的随机图状态以高概率是 k -稳定器通用的。我们的第二个贡献包括在 n = O(k4) 量子比特上 k -稳定器通用图状态的两个明确构造。两者都依赖于有限域 F q 上射影平面的入射图。这比之前已知的 n = O(2 3 k) 的 k 可配对图状态的显式构造有了很大的改进，带来了一类新的、具有强大潜力的多部分量子资源。
通过储备政策进行货币融资的政治经济学
通过管理准备金的价格和数量，央行可以在保持价格稳定的同时积极提供大量政府融资——铸币税。我开发了一个统一的框架，将异质家庭、不完全市场和需要准备金来对冲流动性风险的IO银行业整合在一起。央行通过管理银行的流动性需求来控制市场利率。当最低准备金要求（MRR）不具有约束力时，铸币税是对银行利润的一种征税，福利最优值的特点是适度的超额准备金，因为提供更多准备金会减少流动性利差但会降低铸币税。相反，当准备金持有由具有约束力的MRR强制执行时，铸币税实际上就是对流动财富的一种征税，福利最优值是全额准备金银行（MRR为100％）。在这种制度下，政府预算主要由流动财富回报的国有化来资助，政府债务的实际利率为零。除了极度贫困的人以外，所有人都会倾向于最优的超额准备金供应，而不是当前的制度，而三分之二较不富裕的人口则会倾向于全额准备金制度。
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。
WP 框架/行业挑战报告 - LEANWIND
这些建议是作为 WP4 中进一步工作的背景而给出的。 技术完整性 海上风电场的技术完整性在很大程度上可以通过使用状态监测来评估。当今面临的一个主要挑战是如何将状态监测数据系统化并与相关模型相结合，这些模型可能支持维护策略固有的持续改进过程。 数据采集自动化应扩大到可能涵盖与检查、监视和监控相关的所有活动。 自动化、机器人和自主装置的使用将有助于解决人工干预的必要减少，直接影响海上风电的 LCOE。 人工干预应仅限于重型维护工作。 除了来自状态监测的信息外，来自检查的信息对于评估技术完整性也很重要。 与通常提供有关组件损坏程度的间接信息的状态监测相比，检查可以提供直接信息，不确定性更小。 由于检查成本通常高于状态监测成本，因此需要成本效益或基于风险的方法来做出成本最优的决策。运行完整性 运行完整性是指保持风力涡轮机运行的挑战，这些挑战与风力涡轮机的技术完整性没有直接关系。在各种
![arXiv:2501.06192v1 [cs.AI] 2024 年 12 月 20 日](/simg/1\18a616a2c6c485cd3f76d85f5dd2d11d4fdbb1f1.webp)
arXiv:2501.06192v1 [cs.AI] 2024 年 12 月 20 日
在计算和神经科学领域，关于实现学习、记忆、抽象和行为等关键认知功能的基础计算仍有许多未知之处。本文提出了一种学习和记忆的数学和计算模型，该模型基于一小组生物上可行的功能，包括巧合检测、信号调制和奖励/惩罚机制。我们的理论方法提出，这些基本功能足以建立和调制一个可进行计算的信息空间，从而生成可用于推理和行为的信号梯度。用于测试这一点的计算方法是一个结构动态的细胞自动机，具有连续值的细胞状态和一系列在无向图上传播的递归步骤，其中记忆功能完全嵌入在图边的创建和调制中。实验结果表明：玩具模型可以在一次训练运行后做出近乎最优的选择来重新发现奖励状态；它可以避免复杂的惩罚配置；信号调制和网络可塑性可以在稀疏的奖励环境中产生探索性行为；该模型生成与上下文相关的记忆表征；并且由于其最小的单次训练要求以及灵活的上下文记忆表征，它表现出很高的计算效率。