XiaoMi-AI文件搜索系统
World File Search System混淆
监测行为不当的推理模型和促进混淆的风险
减轻奖励黑客攻击 - 由于其学习目标中的缺陷或错误的特征，AI系统的表现不佳 - 在构建有能力且一致的模型方面面临着一个关键的挑战。我们表明，我们可以通过使用另一个观察模型的经验链（COT）推理的LLM来监视诸如OpenAI O3-Mini之类的前沿推理模型，例如OpenAI O3-Mini。COT监视可以比单独监视剂的动作和输出更有效，我们进一步发现，比O3-Mini（即GPT-4O）弱的LLM可以有效地监视更强大的模型。因为COT监视器可以有效地检测漏洞，因此自然要问是否可以通过将COT监视器直接纳入代理商的训练目标来抑制这些漏洞。我们表明，将COT监测器集成到强化学习奖励中确实可以在低优化制度中产生更有能力，更一致的代理，但我们发现，通过过多优化，代理商学习了混淆的奖励黑客攻击，将其隐藏在COT中，同时仍然表现出很大的奖励奖励率。由于很难分辨出COTS何时变得混淆，因此可能有必要通过不直接将强大的优化压力直接施加到经营链上来缴纳可监视性税，从而确保COTS保持可监视且可用于检测未对准的行为。
Maya：利用形式控制来混淆电力侧通道
由于信息通过功耗泄露，计算机的安全面临风险。攻击者可以使用高级信号测量和分析从此侧信道恢复敏感数据。为了解决这个问题，本文介绍了 Maya，这是一种简单有效的电源侧信道防御方法。其理念是使用形式控制以应用程序透明的方式重新塑造计算机消耗的功率——防止攻击者了解正在运行的应用程序的任何信息。借助形式控制，即使运行时条件发生不可预测的变化，控制器也可以可靠地将功耗保持在接近所需目标函数的位置。通过智能地选择目标函数，控制器可以使功率遵循任何所需的形状，看似携带活动信息，但实际上与应用程序无关。Maya 可以在特权软件、固件和硬件中实现。我们在三台机器上仅使用特权线程来抵御基于机器学习的攻击，并展示了其有效性和易于部署性。Maya 已经挫败了新开发的远程电源攻击。
具有分割混淆对抗训练和对比学习的生成图像修复
本文提出了一种新的带有分割混淆对抗训练（SCAT）和对比学习的图像修复对抗训练框架。SCAT 在修复生成器和分割网络之间进行对抗游戏，提供像素级局部训练信号并能适应具有自由形式孔洞的图像。通过将 SCAT 与标准全局对抗训练相结合，新的对抗训练框架同时展现出以下三个优点：（1）修复图像的全局一致性，（2）修复图像的局部精细纹理细节，以及（3）处理具有自由形式孔洞的图像的灵活性。此外，我们提出了纹理和语义对比学习损失，通过利用鉴别器的特征表示空间来稳定和改进我们的修复模型的训练，其中修复图像被拉近到真实图像但远离损坏图像。所提出的对比损失可以更好地引导修复后的图像从损坏的图像数据点移动到特征表示空间中的真实图像数据点，从而产生更逼真的完整图像。我们在两个基准数据集上进行了广泛的实验，从质量和数量上证明了我们模型的有效性和优越性。
使用混淆矩阵分析的机器学习算法的比较分析
医疗保健专家近年来一直在使用越来越多的机器学习来提高患者的预后并降低成本。此外，机器学习已在各个领域应用，包括疾病诊断，患者风险分类，定制治疗建议和药物开发。机器学习算法可以从电子健康记录，医疗图像和其他来源审查大量数据，以识别模式并做出预测，这些数据可以支持医疗保健专业人员和专家，以做出更明智的决策，增强患者护理以及确定患者的健康状况。在这方面，作者选择通过正确的糖尿病预测分类速率比较三种算法（逻辑回归，adaboost和幼稚的贝叶斯）的性能，以确保准确诊断的有效性。这项工作中应用的数据集是从范德比尔特大学机构存储库中获得的，并且是公开可用的数据。研究确定了三种算法在预测方面非常有效。主要是，逻辑回归和adaboost的分类率高于92％，而天真的贝叶斯算法的分类率达到了90％以上。
alphafold2预测蛋白在结构兼容性混淆中是否相互作用
表1-用IPTM分数作为预测变量获得的AUC值和不同的AlphaFold2选项。AUC值之间的差异在不同的MSA配对和回收模式（在最后一行中）或由不同网络生成的模型（在每个列中）获得的最佳模型之间的差异在统计学上没有统计学意义。
Diamond IO：晶格的不可区分性混淆的简单结构
难以区分的混淆（IO）已经取得了显着的理论进步，但是由于其高复杂性和效率低下，它仍然不切实际。最近的IO方案中的一种常见瓶颈是依赖自动化技术从功能加密（Fe）到IO中的依赖，该技术需要递归地调用每个输入位的Fe加密算法，这是为实用IO方案的重要障碍。在这项工作中，我们提出了钻石IO，这是一种新的基于晶格的IO结构，它用轻量级的矩阵操作代替了昂贵的递归加密过程。我们的构造在学习中被证明是安全的（LWE）和回避的LWE假设，以及我们在伪甲骨文模型中的新假设（All-Product LWE）。通过利用Agrawal等人引入的伪随机功能的Fe方案。（eprint'24）在非黑色盒子中，我们消除了对先前的Fe-io bootstrapping技术的依赖，从而显着降低了复杂性。剩下的挑战是将我们的新假设减少到LWE等标准的标准，进一步促进了实用和合理的IO构造的目标。
JPLAG：使用令牌归一化图检测混淆的软件pla窃
pla窃在计算机科学教育中普遍存在[CJ08; MUR10]，主要是由于易于复制数字作业。尽管将其理解为不当行为，但一些学生仍继续进行窃，经常试图通过重命名，重新排序或插入代码来混淆它[kar16; NJK19; sağ+22; sağ+23b; sağ+24b]。在大型强制性课程中，手动检查不切实际[CAM+17]，使自动窃检测必不可少[OTT76]。诸如Moss和Jplag之类的软件探测器通常用于解决此问题，假设成功的混淆需要已经教授的技能。然而，窃的发电机，例如mossad [db20]，通过在不需要专业知识的情况下自动化混淆来挑战这一假设。Mossad通过插入熵或重新排序语句以逃避检测来打破基于令牌的检测器。
使用 unc-58 选择标记的混淆凸显了对共 CRISPR 基因进行基因分型的重要性
使用模型遗传生物秀丽隐杆线虫 (C. elegans)，人们在提高 CRISPR/Cas9 编辑效率方面取得了多项进展。我们在此报告了 co-CRISPR“标记”基因的使用：发生过 co-CRISPR 事件的线虫具有明显的、可见的表型，这有助于选择携带目标基因中 CRISPR 事件的线虫。然后通过与野生型杂交去除 co-CRISPR 基因中的突变，但如果 CRISPR 和 co-CRISPR 基因难以分离，则这可能具有挑战性。但是，如果所选线虫呈现野生型并且是从一窝中选出的，则分离出 co-CRISPR 修饰基因可能不那么困难。在这些窝中，单个注射线虫的后代中有很大一部分表现出 co-CRISPR 表型，表明 CRISPR 效率高。这样可以产生在目标基因位点含有所需突变但不带有 co-CRISPR 突变的线虫。使用此方法，我们成功地在秀丽隐杆线虫 nlg-1 基因中产生了离散突变。然而，在对 nlg-1 基因进行测序以验证编辑的过程中，我们发现在 co-CRISPR 基因 unc-58 处发生了基因组重排，通过目测观察，这些重排在表型上是无声的，但却导致以挣扎行为评分的运动能力显著降低。这突出表明，在下游基因功能分析之前，应仔细考虑 co-CRISPR 介导的基因变化的隐藏后果。鉴于此，我们建议在利用表型选择作为流程一部分的 CRISPR 程序之后对 co-CRISPR 基因进行测序。
使用混淆矩阵和Matthews相关系数评估机器学习在预测住院的Covid-19患者死亡率中的应用
在G1期有效地施用CP和Vincristine可有效杀死胰腺癌细胞（29）。环磷酰胺增加4T1细胞中的p53，p16和γ -H2AX水平，并诱导ROS产生（30）。在MDA-MB-231细胞中，与CH和DOX共同处理从G2/M停滞转变为较高的G1种群。我们的发现与Sabzichi等人的报告保持一致，这表明CH通过抑制NRF2途径来改变MCF-7细胞中的细胞周期分布来提高DOX的功效（23）。我们发现CH抑制MDA-MB-231细胞迁移并增强5-FU，DOX和CP的功效。Yang等。 报道了TNBC细胞中的CH预处理促进Yang等。报道了TNBC细胞中的CH预处理促进