XiaoMi-AI文件搜索系统
World File Search System端到端
使用端到端加密的安全聊天应用程序
3 Marist College 3399 North Rd，Poughkeepsie，NY，美国，12601摘要 - 在当今世界，在线交流的重要性大大增加了，导致需要强大的加密。 本项目着重于创建一个聊天应用程序，该应用程序结合了端到端加密以增强数据安全性。 使用的加密技术结合了RSA（Rivest，Shamir，Adleman）进行交换和AES（预先加密标准），用于消息加密，在安全性和性能之间达到平衡。 开发过程的关键方面是确保没有任何延迟的不间断加密聊天。 应用程序的用户界面是使用Pythons tkinter库设计的，使其用户友好且易于浏览。 在整个开发阶段进行了广泛的测试，以识别和解决任何漏洞。 聊天申请使用的加密已被证明是高度弹性的，抵抗安全威胁。 我们使用Python构建了此应用程序，展示了如何在维护接口的同时将高级安全度量无缝集成到实时聊天平台中。 关键字：Python，密码学，加密，RSA（Rivest，Shamir，Adleman），Advance Encryption Standard，Tkinter 1。 简介3 Marist College 3399 North Rd，Poughkeepsie，NY，美国，12601摘要 - 在当今世界，在线交流的重要性大大增加了，导致需要强大的加密。本项目着重于创建一个聊天应用程序，该应用程序结合了端到端加密以增强数据安全性。使用的加密技术结合了RSA（Rivest，Shamir，Adleman）进行交换和AES（预先加密标准），用于消息加密，在安全性和性能之间达到平衡。开发过程的关键方面是确保没有任何延迟的不间断加密聊天。应用程序的用户界面是使用Pythons tkinter库设计的，使其用户友好且易于浏览。在整个开发阶段进行了广泛的测试，以识别和解决任何漏洞。聊天申请使用的加密已被证明是高度弹性的，抵抗安全威胁。我们使用Python构建了此应用程序，展示了如何在维护接口的同时将高级安全度量无缝集成到实时聊天平台中。关键字：Python，密码学，加密，RSA（Rivest，Shamir，Adleman），Advance Encryption Standard，Tkinter 1。简介
端到端的深度学习，具有基因预测的HMM
动机：超过25年，基于学习的真核基因预测因子是由隐藏的马尔可夫模型（HMM）驱动的，这些模型（HMMS）直接输入了DNA序列。最近，Holst等。与他们的程序直升机一起证明，可以通过将深度学习层与单独的HMM后处理器相结合，可以改善Ab Insi算真核基因预测的准确性。结果：我们提出了Tiberius，这是一种新型的基于深度学习的Ab Initio基因预测因子，端到端将卷积和长期的短期记忆层与可区分的HMM层整合在一起。Tiberius使用自定义基因预测损失，并接受了哺乳动物基因组预测的培训，并对人类和两个基因组进行了评估。它显着胜过现有的从头算法，在人类基因组的基因水平下达到62％的F1分数，而下一个最佳AB始于方法的F1得分为21％。在从头模式下，提比略（Tiberius）预测了三个人类基因中两个的外显子内结构，而没有误差。非常明显，即使是Tiberius的Ab从头算精度也匹配Braker3的原始精度，Braker3使用RNA-Seq数据和蛋白质数据库。Tiberius高度平行的模型是最新的基因预测方法，在2小时内处理人类基因组。可用性和实施：https：//github.com/gaius-augustus/tiberius contact：{lars.gabriel，mario.stanke}@uni-greifswald.de
ontrack：揭开端到端3D跟踪器中检测与跟踪之间的冲突
摘要。由于检测和跟踪任务之间的冲突，现有的基于视觉3D感知的端到端跟踪器遭受性能降解。在这项工作中，我们到达了这一骗局的底部，这隐约归因于以前不兼容的特定于任务的对象功能。我们发现这两个任务之间的冲突在于它们部分冲突的分类梯度，这源于它们在积极样本分配中的微妙差异。基于此观察者，我们建议在两个任务中与对象查询中的这些相互矛盾的梯度协调那些冲突的梯度。我们还根据两个任务中的极性动态将所有对象查询分为四组。掩盖了具有冲突的正分配的查询集之间的注意。修改跟踪分类损失以抑制不准确的预测。为此，我们提出了OnEtrack，这是第一个单阶段的接头检测和跟踪模型，该模型弥合了统一对象特征在代表下的检测和跟踪之间的差距。在基于Nuscenes摄像头的对象跟踪基准上，OnEtrack在有效集合上的效果超过6.9％的Amota，在测试集上的作品均优于AMOTA，AMOTA的作品比3.1％。
genad：生成端到端的自主驾驶
摘要。直接产生原始传感器的计划结果一直是长期以来的自动驾驶解决方案，最近引起了人们的关注。大多数现有的端到端自主驾驶方法将此问题分解为感知，运动预测和计划。但是，我们认为传统的渐进式管道仍然无法全面地对整个流量演化过程进行建模，例如，自我汽车与其他交通量之间的未来相互作用以及事先的结构轨迹。在本文中，我们探索了一种新的端到端自动驾驶范式，其中关键是预测自我汽车和周围环境如何发展给给定的场景。我们提出了Genad，这是一种生成框架，将自主驱动式驱动为生成的建模问题。我们提出了一个以实例为中心的场景令牌，它首先将周围的场景转换为地图意识到的实例令牌。然后，我们采用差异自动编码器来学习结构潜在空间中的未来轨迹分布，以进行先验建模。我们进一步采用时间模型来捕获潜在空间中的代理和自我运动，以生成更有效的未来轨迹。genad最终同时通过在实例令牌的条件下并使用学习的时间模型来生成期货的学习结构潜在空间中的采样分布来同时执行运动前词和计划。在广泛使用的Nuscenes基准上进行的广泛实验表明，拟议的Genad在以高效率上实现了以视觉为中心的端到端自动驾驶的状态表现。代码：https：//github.com/wzzheng/genad。
DNA存储系统中的端到端校正
I。与合成和测序技术的发展一起，更多的研究组表明了体外DNA储存的潜力。参见例如[1]，[2]，[4]，[5]，[7]，[13]，[22]，[23]。典型的DNA存储系统由三个组成部分组成：（1）包含编码数据的链的合成。在当前技术人员中，每个链都有数百万份，这些链的长度通常限制为250-300个核苷酸。 （2）存储合成DNA链的存储容器； （3）读取链的DNA测序仪，其中读取了测序计算机的输出序列。这种新颖的技术具有几种与数字同行根本不同的属性，而最突出的技术是错误的副本以无序的方式存储在存储容器中（请参见例如[12]）。克服这一挑战的最常见解决方案是使用作为链的一部分存储的索引。相对于所有其他链，将每条链带有一些指示链的位置的核苷酸。这些索引通常使用错误校正代码（ECC）[2]，[4]，[11]，[13]，[22]保护这些指数。输入信息的检索通常由以下三个步骤完成。第一步是将所有读取分为簇中，以使每个群集的读取都是相同信息链的所有嘈杂副本。我们的观点第二步在每个群集上应用了重建算法，以检索原始输入链的近似值。在最后一步中，用于纠正其余错误并检索用户的信息。虽然以前的作品独立解决了每个步骤（例如，请参见[1]，[2]，[4]，[13]，[20]，[22]），这项工作旨在将它们全部解决。这是通过限制DNA存储系统中的存储消息来完成的，因此对于任何两个输入消息，所有可能的输出的集合将是相互脱节的。我们称此代码为DNA校正代码。
Infrrd.ai 在 SemEval-2024 任务 7 中的表现：基于 RAG 的端到端训练以生成标题和数字
我们提出了一种基于检索增强生成 (RAG) 的训练算法来获得最相似的训练样本。获得的训练样本被用作参考，以执行基于上下文学习的大型语言模型 (LLM) 微调。我们使用提出的方法生成标题并从非结构化文本中提取数值。通过专门设计用于捕获数字的扩展标记语言 (XML) 标签，模型可以意识到非结构化文本中数字的存在。非结构化文本的标题经过预处理以包装数字，然后呈现给模型。许多数学运算也被作为参考传递，以涵盖思路链 (COT) 方法。因此，模型可以计算传递给数学运算的最终值。我们将数字验证作为后处理步骤，以验证模型计算的数值是否正确。生成的标题中的数字自动验证帮助模型在所涉及的方法中在人工评估中取得最佳结果。
对端到端加密云存储的正式处理
用户越来越多地将其数据存储在云中，从而受益于轻松访问，共享和冗余。为了确保外包数据的安全性即使是针对服务器折衷的，一些服务提供商已开始提供端到端加密（E2EE）云存储。使用此加密保护，只有合法所有者才能读取或修改数据。然而，最近对最大的E2EE提供商的攻击强调了这种新兴服务类型的稳固基础。在本文中，我们通过启动对E2EE云存储的正式研究来解决这一缺点。我们给出了正式的语法来捕获云存储系统的核心功能，从而捕获了该系统的构成交互协议的现实复杂性。然后，我们针对完全恶意服务器定义了基于游戏的安全概念，以确定云存储系统的机密性和完整性。我们对选择性和完全自适应的客户妥协进行处理。最近对E2EE云存储提供商的攻击来告知我们的概念。特别是我们表明，我们的语法足以捕获大型的核心功能，并且最近对它的攻击出现在违反我们的安全概念的情况下。最后，我们提出了一个E2EE云存储系统，该系统提供了所有核心功能，并且相对于我们的选择性安全性概念既有效又可以证明是安全的。在此过程中，我们讨论了将云存储安全性的挑战与其他端到端原始图相同，例如安全消息传递和TLS。
利用大型语言模型实现侵入式脑信号解码的端到端框架
在本文中，我们介绍了一种用于解码侵入式脑信号的突破性端到端 (E2E) 框架，标志着言语神经假体领域的重大进步。我们的方法利用大型语言模型 (LLM) 的综合推理能力来促进直接解码。通过完全集成 LLM，我们实现了与最先进的级联模型相当的结果。我们的研究结果强调了 E2E 框架在言语神经假体中的巨大潜力，特别是随着脑机接口 (BCI) 背后的技术和相关数据集的可用性不断发展。这项工作不仅展示了将 LLM 与 E2E 解码相结合以增强言语神经假体的功效，而且还为未来 BCI 应用的研究指明了新的方向，强调了 LLM 在解码复杂神经信号以恢复通信方面的影响。代码将在 https://github.com/FsFrancis15/BrainLLM 上提供。索引术语：语音神经假体、端到端、脑机接口、大词汇量连续解码
在BCI分类任务中，具有应用于RAW EEG的注意机制的端到端CNN
目标。脑电图（MI）分类基础（EEG）长期以来一直在神经科学领域进行研究，最近在医疗保健应用中广泛使用了移动辅助机器人和神经疗法等医疗保健应用。尤其是依赖卷积神经网络（CNN）的基于脑电图的运动象征分类方法已经达到了相对较高的分类精度。然而，天真的训练CNN可以从所有通道中对原始脑电图进行分类，尤其是对于高密度的脑电图，在计算上是要求的，需要大量的训练集。它通常还引入了许多无关的输入功能，因此CNN很难提取信息丰富的功能。这个问题是由于缺乏训练数据而加剧了这一点，这对于MI任务尤其重要，因为这些问题是认知要求的，因此疲劳引起了疲劳。方法。为了解决这些问题，我们提出了一个基于端到端CNN的神经网络，具有注意机制以及不同的数据增强（DA）技术。我们在两个基准MI数据集，脑计算机界面（BCI）竞争IV 2A和2B上测试了它。此外，我们收集了一个使用高密度脑电图记录的新数据集，并包含与社区共享的MI和Motor Execution（ME）任务。主要结果。我们提出的神经网络架构的表现优于我们在文献中发现的所有最新方法，在有或没有DA的情况下，BCI 2A和2B的平均分类精度分别达到93.6％和87.83％。我们还直接比较了MI和我任务的解码。意义。专注于MI分类，我们找到了最佳的渠道配置和最佳DA技术，并研究了跨参与者的数据和转移学习的作用。我们提出的方法提高了基准数据集中MI的分类精度。此外，收集自己的数据集使我们能够比较MI和我，并研究EEG对神经科学和BCI至关重要的各个方面。
端到端加密健身追踪器
在设计速度的安全体系结构时，我们认为公共云是不安全的，无法存储个人未加密的数据。虽然我们遵循最佳实践来确保基础架构，但我们也认为它容易受到恶意入侵的影响。步调的安全模型依赖于椭圆曲线密码学。所有数据都在用户的设备上加密，并且从未通过网络未加密发送。为了实现这一目标，每个用户都有一个唯一的密钥对来加密和一个唯一的密钥对，用于签名数据。这些钥匙对是在创建帐户期间生成的，除所有者以外，其他任何人都不知道私钥。它可以确保没有人，甚至没有步调，可以读取用户的数据，除了最终可以决定与之共享的其他用户。，如果入侵者获得了对基础架构的恶意访问，它还可以防止妥协和数据泄漏。使用以下库使用NACL实现加密：