XiaoMi-AI文件搜索系统
World File Search System用图
GrameStation：使用图表指定游戏*
计算机科学 (CS) 对日常生活的影响无可否认，这促使人们做出巨大努力，让每个人都能接受计算机科学教育。随着 CS 教育的进步，人们逐渐认识到计算不仅仅是编码，而应该注重解决问题的技能。科学界这一进步的一个里程碑是回顾“计算思维 (CT)”一词的观点，并主张它包括每个人都应该学习的通用技能，而不仅仅是 CS 专业人士 [Wing 2006]。一些流行且成功的教授/学习 CS 和培养 CT 技能的方法包括可视化编程活动 [Hu et al. 2021]；游戏化编程环境/编程游戏 [Lindberg et al. 2019]。它们通常与创客文化相一致，将学习者视为创造者，而不仅仅是消费者 [Martin 2015]。
Phishgnn：使用图形神经网络的网络钓鱼网站检测框架
在互联网时代，恶意URL是对网络用户的综合威胁。网络钓鱼的目的是通过用fal的界面欺骗受害者来窃取敏感信息。在网站网站的情况下，攻击者通常试图模仿社交媒体，银行和电子商务网站等知名且广泛使用的服务。这种欺骗的网站通常是用与原始站点相同的代码库构建的，这可能会使它们很难瞥见。值得庆幸的是，可以使用许多其他指标来区分良性和网络钓鱼网站。例如，大多数网络钓鱼URL往往很长，具有多个子域和特殊特征。域通常托管在可疑的主机上，并使用非信任当局进行的安全套接字层（SSL）认证。自从这些攻击开始时，已经实施了许多系统来试图克服它们。其中一些实现使用传统技术，例如黑名单或URL词汇特征的分析。否则，黑名单遭受了多种缺点，例如需要更新的人类援助和缺乏详尽的缺点。此外，它们不能用于看不见和隐藏的URL。其他技术利用机器学习将模型训练以基于许多示例来策划网站（Sahoo等，2017）（Benavides等，2020）。但是，在大多数方法中，网站的超链接结构尚未解决。
利用图像处理中的多层对称技术进行脑肿瘤分类和诊断
准确及时地检测脑肿瘤区域对选择治疗类型、治疗成功率以及在治疗期间跟踪疾病进程具有非常重要的影响。现有的脑肿瘤诊断算法面临着在各种不同质量的脑图像上表现良好、结果对算法中引入的参数的低敏感性以及在形成早期可靠地诊断肿瘤等方面的问题。为此，数字图像处理方法以及机器学习有助于尽快诊断肿瘤以及治疗和手术类型。这些理解医学图像的综合技术是研究人员提高诊断准确性的重要工具。在本文中，我们打算执行与患有肿瘤的人脑 MRI 图像相关的分类方法，目的是检查含有星形细胞瘤的腺体。用于脑肿瘤分类的方法包括预处理步骤、窗口化和使用两种类型的 T1-w 和 Flair 脑 MRI 图像提取肿瘤的组织学和统计特征，以及降低提取特征的维度的方法以及如何训练它们进行分类。结果表明，通过使用对称性和多层聚类的组合技术，在提高准确率的同时，处理时间也减少了。关键词：脑肿瘤、MRI、分类、诊断、图像处理。提交日期：2023 年 10 月 14 日，修订日期：2023 年 11 月 16 日，接受日期：2023 年 11 月 28 日
一种具有自主规则学习和利用图像或文本进行泛化能力的人工智能非图灵计算机架构
自现代计算机历史开始以来，图灵机一直是大多数计算设备的主导架构，它由三个基本组件组成：用于输入的无限磁带、读写头和有限控制。在这种结构中，读写头可以读取的内容（即比特）与其写入/输出的内容相同。这实际上不同于人类思考或进行思维/工具实验的方式。更准确地说，人类在纸上想象/书写的是图像或文本，而不是它们在人脑中所代表的抽象概念。这种差异被图灵机忽略了，但它实际上在抽象、类比和概括中起着重要作用，而这些对于人工智能至关重要。与这种架构相比，所提出的架构使用两种不同类型的读写头和磁带，一种用于传统的抽象比特输入/输出，另一种用于特定的视觉输入/输出（更像是一个屏幕或一个带有摄像头观察它的工作区）。抽象比特与具体图像/文本之间的映射规则可以通过卷积神经网络、YOLO、大型语言模型等神经网络实现，准确率较高。作为示例，本文介绍了新的计算机架构（我们在此简称为“任氏机”）如何自主学习特定域中的乘法分配属性/规则，并进一步使用该规则生成一种通用方法（混合在抽象域和特定域中）来计算基于图像/文本的任意正整数的乘法。
使用图像或文本
自现代计算机历史记录的开始以来，图灵机一直是大多数计算设备的主要体系结构，其中包括三个基本组件：无限磁带用于输入，读/写头和有限的控制。在此结构中，头可以读取的内容（即位）与已编写/输出的内容相同。这实际上与人类思考或思考/工具实验的方式不同。更确切地说，人类在纸上想象/写作是图像或文本，它们不是他们在人脑中所代表的抽象概念。Turing Machine忽略了这种差异，但实际上在抽象，类比和概括中起着重要作用，这在人工智能中至关重要。与此体系结构相比，所提出的体系结构使用两种不同类型的头部和磁带，一种用于传统的抽象位输入/输出，另一个用于特定的视觉（更像是屏幕或带有相机观察的屏幕或工作区）。抽象位和特定图像/文本之间的映射规则可以通过卷积神经网络，Yolo，大语言模型等神经网络实现，其精度很高。为例，本文介绍了新的计算机体系结构（为简单起见，我们称为“ Ren Machine”）如何自主地学习特定领域中的分布属性/多重规则，并进一步使用该规则来生成一般方法（在抽象领域和特定领域中混合使用），以计算基于图像/图像/图像的任何正面整体的MUL-PISTICATION）。机器的强推理能力也证实了在平面几何形状中的定理中。此外，提出了一种基于REN机器的机器人体系结构，以解决视觉语言行动（VLA）模型在不合适的推理能力和高计算成本中所面临的挑战。
生物信息学问题的实用图算法中的博士研究员（博士生），我们希望招募一位博士学位S
博士研究员（博士生）在实用图形算法中用于生物信息学问题的位置描述我们希望招募一名博士生（全职工作，4年），以在赫尔辛基大学的ERC资助项目中招募一名博士学位学生。预期的开始日期是八月至2025年9月，但这是一种灵活性。理想情况下，候选人具有强大的算法和编程背景，并且具有强大的技能来开发，实施和测试实用的图形算法，这些算法利用了由生物信息学中测序数据引起的图形的特征。学生有望在领导该项目，与团队成员和国际合作者合作以及在国外进行研究访问。该位置由使用结构，参数化和动态更新的可扩展图算法上的最新ERC合并赠款资助。该人将加入由Assoc领导的图形算法团队。Alexandru Tomescu教授，它是赫尔辛基大学更广泛的算法生物信息学小组的一部分。图形算法团队目前由2名博士生，3个博士学位组成，我们定期聘请研究助理作为暑期实习生或MSC学生。有关与此职位相关的一些关键指针，请参见：
区域未来土地使用图
及时参与人们可以对重要决策产生影响的时刻。包容性提供多种形式的参与，以将各种各样的人汇集在一起，包括可能被排除或不参与的人。真实的价值彼此的输入，并确保参与者知道该过程将获得有意义的结果。透明的内容要清楚什么可以改变和不能改变，以便社区的意见重点关注其影响力的要素。分享所有相关信息。通知确保每个人都可以访问所需的知识和数据，并且有平衡的信息描述了不同选项的利弊。可访问的参与地址障碍，包括位置，时间，语言和其他可能阻止人们的因素。尽可能使用易于理解，简单和视觉术语。响应迅速分享所有收集的信息回到参与者，以提供更正，其他评论和建立信任的责任的机会。网络构建长期优先考虑建立关系和网络。评估了轨道并衡量参与的工作方式。
使用图像处理的假货币检测
假冒货币是全球经济体面临的重大问题，造成了财务损失并破坏了对金融系统的信任。随着印刷和成像技术方面的快速进步，造福者能够以很高的精度复制货币。要应对这一日益严重的挑战，可靠和高效的检测假货币的方法至关重要。图像处理是计算机视觉的子集，为假冒货币检测提供了有希望的解决方案。它涉及分析和处理货币的数字图像，以识别将真实笔记与伪造符号区分开的模式，纹理和其他不同特征。通过利用现代图像处理技术，例如边缘检测，特征提取和模式识别，假冒检测系统可以实现高精度和效率。该项目着重于开发使用图像处理技术来识别假货币的系统。系统捕获货币笔记的图像并处理它们以提取关键特征，例如水印，微印，颜色模式和全息图。然后将这些特征与预定义的真实性验证标准进行比较。
使用图形神经网络在Web应用程序中检测漏洞检测的方法
由于开源软件包漏洞而引起的软件系统的复杂性日益增长，使软件漏洞检测成为关键的优先级。传统的脆弱性检测方法，包括静态，动态和混合方法，通常在高阳性速率和有限的效率方面挣扎。最近，基于图的神经网络（GNN）和变形金刚模型通过表示代码作为捕获语法和语义的图表来提高漏洞检测准确性。本文介绍了一个混合框架，结合了门控图神经网络（GGNN）和变压器编码器以利用多个图表表示：抽象语法树（AST），数据流程图（DFG），控制流程图（CFG）（CFG）和代码属性图（CPG）。GGNN提取图级特征，而变压器在图形编码数据中增强了顺序上下文理解。该模型使用这些功能来检测功能级代码段中的漏洞。评估我们在OWASP WebGoat数据集上的框架的评估证明了在五种主要漏洞类型中不同图形表示的有效性：命令注入，弱加密，路径遍历，SQL注入和跨站点脚本。实验结果表明，GGNN+CpG配置始终产生高度弱点的较高回忆，而GGNN+CFG在检测基于控制的基于控制的漏洞（例如命令注射）方面表现出色。这些发现突出了混合GNN-Transformer框架在增强网络安全应用程序的代码漏洞检测方面的潜力。GGNN和变压器模型的集成导致在所有漏洞类型中的准确性，精度，回忆和F1得分方面显着增强，每个图表表示对代码结构和脆弱性模式都有独特的见解。
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。