XiaoMi-AI文件搜索系统
World File Search System有向图
基于联合图神经网络的硬件木马节点检测
摘要 集成电路（IC）产业的全球化引发了对硬件木马（HT）的担忧，迫切需要有效的门级网表 HT 检测方法。在本文中，我们提出了一种基于图学习的门级木马节点检测方法。该方法不需要任何黄金模型，可以轻松集成到集成电路设计流程中。此外，我们进一步设计了一个联合 GNN 网络，将有向图的输入端、输出端和邻居端的信息结合起来，生成代表性节点嵌入。实验结果表明，在不同设计中，它可以达到平均 93.4% 的召回率、91.4% 的 F 度量和 90.7% 的准确率，优于最先进的 HT 检测方法。 关键词：硬件木马检测，图神经网络，无黄金参考，门级网表 分类：集成电路
一种微调模型诱导稳定固定点的方法
理想化的化学植物的第一原理模型可能不准确。一个替代的天然是将机器学习（ML）模型直接适合工厂传感器数据。我们使用一种结构化方法：工厂内的每个单元都由一个ML模型表示。将模型拟合到数据后，将模型连接到类似流面的有向图中。我们发现，对于较小的植物，这种方法效果很好，但是对于较大的植物，流程表中大型和嵌套的循环产生的复杂动力学导致模型初始化期间求解器的不稳定性。我们表明，单单元模型的高精度还不够：梯度可以指向意外的方向，从而防止求解器收敛到正确的固定状态。为了解决这个问题，我们提出了一种微调ML模型的方法，即即使使用非常简单的求解器也变得强大。
通过二进制代码框嵌入在有向图中的传递性和循环性建模
对有针对性表示的有向图建模是在图形结构数据上执行机器学习的基本要求。几何嵌入模型（例如双曲线，锥体和盒子嵌入）在此任务中出色，表现出有针对性图的有用的电感偏差。然而，对包含周期和某些传递性元素的定向图进行建模，这是现实世界中常见的两种属性，这是具有挑战性的。框嵌入可以被认为是将图表示作为某些学到的超图上的交点，具有自然的感应性偏置，以建模传递性，但是（正如我们证明的）无法对周期进行建模。为此，我们提出了二进制代码框嵌入，其中博学的二进制代码选择了一个相交的图表。我们探索了几种变体，包括全局二元代码（相当于交叉点的联合）和每个vertex二进制代码（允许更大的灵活性）以及正则化方法。理论和经验结果表明，所提出的模型不仅保留了有用的传递性电感偏见，而且还具有足够的代表能力来模拟任意图，包括带有周期的图形。
分布式NASH平衡寻求超过时变的定向通信网络
摘要 - 本文提出了一种分布式算法，以在一类不合作凸的游戏中找到NASH均衡，并具有部分决策信息。我们的方法与共识动态一起采用了分布式的投影梯度播放方法，而单个代理通过梯度步骤和与邻居的本地信息交流通过随时间变化的有向通信网络来最大程度地减少其本地成本。解决时变的定向图提出了重大挑战。现有方法通常通过关注静态图或有向图的特定类型或要求使用Perron-Frobenius EigenVectors进行扩展来避免这种情况。相比之下，我们建立了新的结果，该结果为与时变的行定量重量矩阵相关的混合术语提供了收缩特性。我们的方法根据权重矩阵和图形连接结构的特征明确表示收缩系数，而不是通过先前的研究中的第二大重量矩阵的奇异值隐式表示。既定的结果有助于证明所提出的算法的几何融合，并提高了随着时变的定向通信网络中分布式算法的收敛分析。nash-cournot游戏的数值结果证明了该方法的功效。
量子几何、逻辑和概率
摘要 离散集上的量子几何意味着有向图，其权重与定义量子度量的每个箭头相关联。然而，这些“格间距”权重不必与箭头的方向无关。我们利用这种更大的自由度，对以转移概率为箭头权重的离散马尔可夫过程给出量子几何解释，即对图拉普拉斯算子∆ θ 取扩散形式 ∂ + f = ( − ∆ θ + q − p ) f ，根据概率构建的势函数 q、p 以及时间方向的有限差分 ∂ + 。在这一新观点的启发下，我们引入一个“离散薛定谔过程”，即 ∂ + ψ = ı ( − ∆+ V ) ψ，其中拉普拉斯算子与双模连接相关联，使得离散演化是幺正的。我们明确地为 2 状态图解决了这个问题，找到了此类连接的 1 参数族和 f = | ψ | 2 的诱导“广义马尔可夫过程”，其中有一个由 ψ 构建的附加源电流。我们还提到了我们最近在场 F 2 = { 0 , 1 } 上以“数字”形式进行的逻辑量子几何研究，包括德摩根对偶及其可能的推广。
有向超图的近似紧谱稀疏化
谱超图稀疏化是将众所周知的谱图稀疏化扩展到超图的一种尝试，在过去几年中得到了广泛的研究。对于无向超图，Kapralov、Krauthgamer、Tardos 和 Yoshida (2022) 证明了最佳 O ∗ ( n ) 大小的 ε -谱稀疏器，其中 n 是顶点数，O ∗ 抑制了 ε − 1 和 log n 因子。但对于有向超图，最佳稀疏器大小尚不清楚。我们的主要贡献是第一个为加权有向超图构造 O ∗ ( n 2 ) 大小的 ε -谱稀疏器的算法。我们的结果在 ε − 1 和 log n 因子范围内是最优的，因为即使对于有向图也存在 Ω(n2) 的下限。我们还展示了一般有向超图的 Ω(n2/ε) 的第一个非平凡下界。我们算法的基本思想借鉴了 Koutis 和 Xu (2016) 提出的基于 spanner 的普通图稀疏化。他们的迭代采样方法确实有助于在各种情况下设计稀疏化算法。为了证明这一点，我们还提出了一种类似的无向超图迭代采样算法，该算法实现了最佳大小界限之一，具有并行实现，并且可以转换为容错算法。
平均收益，总收益和点回报目标的策略复杂性
背景。马尔可夫决策过程（MDP）是表现出随机行为和受控行为的动态系统的标准模型[18]。应用包括控制理论[5，1]，运营研究和金融[2，6，20]，人工智能和机器学习[23，21]和正式验证[9，3]。MDP是一个有向图，其中状态是随机或控制的。在随机状态下，根据固定概率分布选择下一个状态。在受控状态下，控制器可以在所有可能的后继状态下选择分布。通过修复控制器（和初始状态）的策略，可以获得MDP运行的概率空间。控制器的目标是优化运行中某些目标函数的预期值。实现ε最佳的策略类型（分别最佳值称为其策略复杂性。过渡奖励和liminf目标。MDP通过分配实现的奖励结构（分别为整数或理性）对每个过渡的奖励。每次运行都会诱导看到过渡奖励r 0 r 1 r 2的无限序列。。。。我们考虑了该序列的LIM INF，以及其他两个重要的衍生序列。1。点回报考虑了序列r 0 r 1 r 2的lim inf。。。直接。
出版信息 John, John Jacob, Arash Beiranvand 和 Paul Cuffe。“通过识别走廊对有向无环图中的节点进行聚类
摘要 — 本文提出了一种基于电网内现行功率流条件的节点聚类新方法。为此，首先，将网络的有功功率流状态建模为有向无环图。该有向图明确表示功率流向何处，这有助于监控和分析系统漏洞。有向无环图表示还可以轻松识别仅提供或吸收有功功率的总线：这些总线分别是纯源节点和纯汇节点。对系统中的每个节点应用迭代路径查找程序，以枚举供电的源节点和其将功率转发到的下游汇节点。然后应用新颖的聚类算法将共享同一组可达源节点和汇节点的节点分组在一起。首先提出这种新颖的聚类方法作为一种工具，通过更好地总结大型电网中的总功率流配置来提高控制室操作员的态势感知能力。所提出的方法应用于两个样本电网，并阐述了与河流系统的类比，将支流、分流和中央主流等概念应用于电网。