XiaoMi-AI文件搜索系统
World File Search System网络层
非地面网络的高级星座仿真和合成数据集生成
摘要 — 巨型卫星星座现已成为现实，包含数千个节点。然而，在非地面网络 (NTN) 中有效协调多跳路径和分布式处理任务仍然是一个巨大的挑战。将 NTN 系统集成到 5G 蜂窝网络中需要创新地调整软件定义网络 (SDN) 和多接入边缘计算 (MEC)，以适应 NTN 的动态环境。在此背景下，我们提出了 MeteorNet，一种专为卫星星座设计的最先进的仿真工具。MeteorNet 通过在不同网络层上实施空间轨道、地球自转计算和 Linux 网络接口，准确地复制 NTN 的行为。结合基于 sFlow 的连续测量系统，MeteorNet 在集中式数据库中编译关键开关变量，从而为创建逼真的合成数据集提供了一种独特的方法。由于操作系统稀缺，且由于专有限制而无法从少数现有系统获取准确数据，因此合成数据集的相关性在 NTN 中至关重要。这些数据集对于制定和训练智能控制算法和机器学习 (ML) 模型以促进 NTN 中的 SDN 和 MEC 进步至关重要。为了说明这种方法的有效性，我们探索了一个具有环形拓扑的现实网络案例研究，展示了数据模型如何描述 NTN 的复杂路由和边缘计算协议。索引术语 — 卫星星座、软件定义网络、多接入边缘计算、合成数据集、机器学习。
入学博士学位。计划 - 2024年8月 5天教师发展计划理论机器学习27-31，2024年5月
计算机科学与工程人工智能（AI）：负责的AI，AI安全性，优化算法；机器学习和深度学习：生物医学信号，农业领域，网络层/传输层中的异常检测，优化算法，位置预测；计算机视觉和图像处理：农业和医疗领域，语音，图像，信号；自然语言处理，LLM；数据分析，视频分析，大数据分析，社交网络分析；理论计算机科学；算法和图理论，可解释的AI（XAI）-Healthcare；分布式计算；边缘计算；云计算；计算范式的能源效率；新兴数据库；生物信息学和计算生物学；数据隐私和安全性，网络安全性，信息安全性，网络安全性中的ML，云数据安全性，量子计算和安全性，分布式计算安全性，硬件安全性，用于网络安全系统和内存的ML；软定义网络 - 安全性；区块链技术；数字取证和犯罪调查；密码学，量子密码学，应用加密，量子加密后，多方计算，差异隐私；智能运输和互联车辆，用于野生动植物和自然保护的数字技术；物联网；通信和信号处理；系统工程的优化；遥感应用；资源管理和日程安排，以进行未来的计算连续体； IRS辅助通信和空间调制中的检测和估计问题，增强物理层
一个具有高通量
我们提出了一个用基于晶格的加密性加固的量子后区块链。使用的数字签名算法可确保对量子计算带来的安装威胁的安全性。其加密算法是为整个网络构建完全同态加密（FHE）计算的构建。该授权区块链节点以其加密形式正确处理交易，而在不了解其明文内容的情况下，仅保留独家的解密特权，仅保留给单个资产持有人，以明文授予他们访问其交易详细信息。我们还提出了一项优化的拜占庭式容忍度consus协议，展示了该系统实现每秒30,000笔交易的潜力。我们还提出了一个本机虚拟麦酸（VM），旨在支持诸如加法，减法，比较和密钥切换之类的主要操作。此内在功能使用户有能力开发任意计算逻辑，从而促进了对加密数据的执行。此VM不仅促进了交易的合成性，而且还坚持区块链生态系统内的机密性，中央集权和反审查措施的基本宗旨。我们的合规方法是双重的：单个资产持有人可能会在明文中对其交易历史进行潜在的审查，同时在网络层面上，管理实体保留了整体交易历史记录的加密存储库。管理实体具有解密密钥，可以根据需要揭幕交易详细信息。这种双层分层可确保对我们系统内的合规措施的细微差别遵守。
WRAP-神经科学-水平-解释-思维-大脑-...
心理状态和大脑状态之间的关系在计算神经科学和精神病学中非常重要，在精神病学中，通过药物干预大脑状态来改变心理状态。大脑和心灵之间的关系困扰了哲学家们几个世纪。这里提出了一种神经科学方法，其中亚神经元、神经元和神经元网络层面的事件同时发生，以执行可以在高层次上描述为心理状态的计算，其中包含有关世界的内容。有人认为，由于不同解释层次的过程同时发生，因此它们通过非因果的附带关系联系在一起：因果关系在脑中最好被描述为在层次内而不是层次之间运行。这使得附带（例如，心理）属性得以涌现，尽管一旦在机械层面上理解它们可能看起来不那么突现，而且是意料之中的。这种心脑理论允许心理事件在种类上不同于其背后的机械事件；但这并不意味着心理事件会导致大脑事件，反之亦然：它们是对计算系统运行的不同层次的解释。这种方法可能提供一种不同于二元论和还原物理主义的思考大脑和思维的方式，它植根于理解大脑和心理事件的基础计算过程，这意味着心理和机械层面通过正在执行的计算过程相互联系。不同操作层次的解释可能有不同的用途。例如，如果我们想了解大脑是如何进行算术运算的，那么在心理层面上描述正在计算的算法就会很有用。但如果大脑的运作导致精神障碍，那么理解神经处理层面的机制可能更有用，例如，在治疗精神障碍方面。
多模式医学图像分类的分裂学习
摘要 - 在过去的几十年中，机器学习（ML）在医学图像分类中取得了重大进展。成功可以归因于两个因素：（i）诊所/医院收集和处理的独特患者数据以及（ii）解决基本分类任务的相应ML模型。实际上，患者数据可能包含患者人口统计学特有的敏感信息；和ML模型通常需要更高的计算资源，而不是单个医院的负担能力。考虑实际问题，我们探索了一种协作ML方法，其中称为客户的数据提供商旨在利用服务器的计算资源共同培训一个统一的ML模型，而无需共享任何原始数据。特别是，我们使用包含多模式图像输入和多标签地面真实的现实世界数据集专注于皮肤病变分类问题。为了启用协作性但具有隐私性的皮肤病变障碍，我们基于U形拆分学习，开发了一个名为SplitFusionNet的学习框架。SplitFusionNet的关键思想是将ML模型分为深神经网络层的（客户端，服务器）分区：客户端层处理多模态输入数据和多标签，而服务器层执行计算广泛的中层计算。此外，我们应用无损压缩和减压来提高客户端和服务器之间的通信成本。在实验上，与非分类集中式培训相比，SplitFusionNet需要更少的训练管道时间，同时实现相等的预测性能。索引术语 - 分类学习，多模式分类，多标签分类，隐私的机器学习
批发印尼盾数字概念验证 (PoC) 报告...
目录 i 图 iii 前言 印度尼西亚银行行长 v 前言 印度尼西亚银行副行长 vi 前言 印度尼西亚银行副行长 vii 执行摘要 1 概述 2 1.1. 背景 2 1.2. 目标 4 1.3. 商业模式 5 PoC 方法论 6 2.1. PoC 阶段 6 2.2. PoC 场景 6 2.3. 范围和假设 6 PoC 开发 8 3.1 用例层 8 3.1.1 货币供应流程 8 3.1.1.1 发行 8 3.1.1.2 赎回 9 3.1.1.3 资金转移 10 3.1.2 系统政策 11 3.1.2.1 限制功能 11 3.1.2.2 管理功能 11 3.1.3 监管 12 3.2. 数字资产层 12 3.3.执行层 12 3.3.1. 容器 13 3.3.2. 智能合约 13 3.3.3. 应用程序编程接口 (API) 13 3.3.4. Web 应用程序 (Web App) 13 3.3.5. 消息传递 13 3.3.6. 集成、互操作性和互连 (3i) 14 3.4. 数据层 14 3.4.1. 数据库中的存储 14 3.4.2. DLT 的结构 15 3.5. 共识层 15 3.6. 网络层 15 3.7. 安全方面 16 PoC 测试和结果 17 4.1. DLT 在批发印尼盾数字货币供应过程中的实施 17 4.2. 在印尼盾数字批发平台上实施智能合约 18 4.3. wRD 与其他金融市场基础设施的整合、互操作性和互联互通 19 发现和下一步行动 20 5.1 发现 20 5.2 下一步行动 20 缩写 21
BAA 呼叫 N00014-23-S-BC05 - 修订 0001
I. 简介 本公告介绍了海洋战场水雷战和海洋工程系统科学与技术 (S&T) 工作，名为“物理和网络层原型”，隶属于 N00014-23-S-B001 工作，是海军和海军陆战队科学与技术的 FY23 长期广泛机构公告 (BAA)，可在 https://www.nre.navy.mil/work-with-us/funding-opportunities/announcements 找到。提案的提交、评估以及研究补助金和合同的发放将按照上述 BAA 中所述进行。本公告的目的是引起科学界对 (1) 将要研究的领域、(2) 2023 年 2 月 10 日的机密行业日，供对此领域感兴趣的人进行对话，以及 (3) 提交白皮书和完整提案的计划时间表。二。主题描述 提议的主题将探索和开发用于多种空中、地面和地下系统的海底多模态通信范例。PNLP 计划将致力于硬件（调制解调器和测试框架）和软件（包括新波形）的开发，以支持有人和无人驾驶车辆的海底多模态通信。 背景：优化和定制海底资产之间的通信能力长期以来一直是环境优先的范例。有人和无人资产推动着通信范例，并可以利用环境获得集体利益。这项工作代表了海底多模态通信技术发展的演变，以实现持久性和针对特定环境的定制环境增益。 目标：海军研究办公室 (ONR) 有兴趣收到有关支持海上通信硬件和软件技术的技术提案。这项工作希望在海底环境和通过空气-水界面为资产之间提供有保证的、优化的通信。硬件和软件技术解决方案都应解决摄取和转换不同通信模式的能力，并针对其呈现的环境对其进行优化。 III。行业日 ONR 将于 2023 年 2 月 10 日在佛罗里达州巴拿马城海滩的海军水面作战中心巴拿马城支队举办行业日。参加无需注册费。行业日将提供所需的具体信息
BAA 呼叫 N00014-23-S-BC05 - 修订 0004
I.简介 本公告描述了一项名为“物理和网络层原型”的海洋战场水雷战和海洋工程系统科学与技术 (S&T) 工作，该工作属于 N00014-23-S-B001 工作，是海军和海军陆战队科学与技术的 FY23 远程广泛机构公告 (BAA)，可在 https://www.nre.navy.mil/work-with-us/funding-opportunities/announcements 找到。提案的提交、评估以及研究补助金和合同的发放将按照上述 BAA 中所述进行。此公告的目的是引起科学界的关注：(1) 待研究领域、(2) 2023 年 2 月 10 日的机密行业日，供对此领域感兴趣的人进行对话，以及 (3) 提交白皮书和完整提案的计划时间表。II.主题描述 拟议的主题将探索和开发用于多种空中、地面和地下系统的海底多模态通信范例。PNLP 计划将进行硬件（调制解调器和测试框架）和软件（包括新波形）开发，以支持有人驾驶和无人驾驶车辆的海底多模态通信。背景：优化和定制海底资产之间通信的能力长期以来一直是环境优先的范例。有人和无人资产推动着通信范式，并可以利用环境获得集体利益。这项工作代表了海底多模态通信技术发展的演变，以实现持久性和针对特定环境的量身定制的环境增益。目标：海军研究办公室 (ONR) 有兴趣收到有关支持海上通信硬件和软件技术的技术提案。这项工作希望在海底环境和通过空气-水界面提供资产之间有保证的、优化的通信。硬件和软件技术解决方案都应解决吸收和翻译不同通信模式的能力，并针对其呈现的环境对其进行优化。III.行业日 ONR 将于 2023 年 2 月 10 日在佛罗里达州巴拿马城海滩的巴拿马城支队海军水面作战中心举办行业日。参与无需注册费。行业日将提供所需的具体信息
国防与安全盛大挑战：AI安全 - 要求...
2。模型安全理论和实践保证对AI/ML系统的安全性和鲁棒性需要深入了解模型结构，例如神经网络层，激活功能等以及该结构对模型行为的影响。结构的选择 - 通常是为了追求最佳性能而选择的 - 从攻击易感性到数据暴露风险，可能会具有一系列安全含义。2.1表征，评估和保证我们可以针对潜在的安全问题测试模型结构，并且我们可以以保存（非侵入性）方式进行隐私吗？我们将研究某些组成部分和设计模式的存在（或不存在）是否表示攻击的脆弱性；以及此类分析是否可用于AI/ML模型安全保证。2.2训练进化，深度学习理论的最新突破使人们对复杂模型行为，从第一次初始化和整个优化过程中进行了一些了解。我们的问题是这些工具，例如模型函数近似器神经切线内核（NTK）可用于在训练动力学期间对安全性发表声明。例如，梯度流中是否存在更高或更低的安全性区域？我们可以检测到它们，甚至可以针对高安全性的区域吗？2.3模型反转这是从训练有素的模型函数的预图像中获取表示或样本的能力。我们可以在数学上说什么（大约）解决AI/ML的反问题？2.5稳定性和可信度是模型稳定性是一种良好的信任度量吗？我们可以保证反转稳健性，以及哪些结构性特征可以允许这种保证？2.4灵敏度和攻击检测的几何形状可以使用几何工具（特别是热带几何形状）来表征模型对新数据点的敏感性以及存在邪恶数据的存在，例如有毒样本或对抗性示例？不稳定的模型更容易受到对手的影响？例如，可以定义一个稳定性语句，例如Lipschitz（使用距离距离的度量标准，例如Gromov-Hausdorff），可以用来对安全声明？2.6效率的安全性含义是使非常大的模型可进行，我们经常转向降低复杂性的方法，例如稀疏，替代模型，修剪，定量等。这通常会降低任务性能，
使用机器学习的高频交易
副教授 - PG系[M.C.A. ]，印度古吉拉特邦甘帕特大学。 抽象深度学习在我们的生活中起着重要作用。 它已经对癌症诊断，个性化医学，自动驾驶汽车，预测分析和语音识别等领域产生了巨大影响。 在传统学习，分类和模型识别系统中使用的直观手工制作的功能对于大型数据集很有价值。 在许多情况下，根据问题的复杂性，DL还可以克服过去稀疏网络的局限性，以防止有效的训练和空间表示高维训练数据。 深层网络使用具有复杂算法和体系结构的许多单元（深）单元。 本文回顾了几种优化方法，以提高训练准确性并减少训练时间。 我们深入研究了最新深层网络中使用的培训算法背后的数学。 我们描述当前的失败，改进和实现。 该评论还涵盖了不同类型的深度体系结构，例如深卷积网络，深层网络，常规网络，强化学习，差异自动编码器等。 关键字：机器学习算法，优化，人工智能，深度神经网络体系结构，卷积神经网络，反向传播，监督和无监督的学习。 1。 简介深度学习是一种训练计算机和人工智能的机器学习技术。 它是受人脑结构的启发。副教授 - PG系[M.C.A.]，印度古吉拉特邦甘帕特大学。抽象深度学习在我们的生活中起着重要作用。它已经对癌症诊断，个性化医学，自动驾驶汽车，预测分析和语音识别等领域产生了巨大影响。在传统学习，分类和模型识别系统中使用的直观手工制作的功能对于大型数据集很有价值。在许多情况下，根据问题的复杂性，DL还可以克服过去稀疏网络的局限性，以防止有效的训练和空间表示高维训练数据。深层网络使用具有复杂算法和体系结构的许多单元（深）单元。本文回顾了几种优化方法，以提高训练准确性并减少训练时间。我们深入研究了最新深层网络中使用的培训算法背后的数学。我们描述当前的失败，改进和实现。该评论还涵盖了不同类型的深度体系结构，例如深卷积网络，深层网络，常规网络，强化学习，差异自动编码器等。关键字：机器学习算法，优化，人工智能，深度神经网络体系结构，卷积神经网络，反向传播，监督和无监督的学习。1。简介深度学习是一种训练计算机和人工智能的机器学习技术。它是受人脑结构的启发。深度学习起源于人工神经网络（ANN），经过数年的研究和开发，与其他机器学习算法相比，它的发展效率更高[1]。深度学习算法旨在通过基于逻辑模式不断分析数据来绘制与人类相同的判断。深度学习使机器能够处理像人类这样的图像，文本或音频文件，以完成类似人类的任务。为了实现这一目标，深度学习使用了一组称为神经网络的算法集。顾名思义，深度学习涉及将网络层的深入研究，其中包括隐藏的层。 随着人们提取更深入，更复杂的信息。 深度学习是基于迭代学习方法，该方法将机器暴露于大量数据中。 它可以帮助计算机学会识别行为并适应变化。 机器能够学习数据集之间的差异，理解逻辑并在重复接触后做出更好的决策[2]。 [3]中介绍了有关深度学习的审查。 在[3]中提供以下信息：统计模型包含许多层以控制。 使他们能够通过深度学习学习具有不同级别的数据表示。 通过使用这些技术，现代技术已经在许多领域开发，包括视觉识别，语音识别，基因组学，药物顾名思义，深度学习涉及将网络层的深入研究，其中包括隐藏的层。随着人们提取更深入，更复杂的信息。深度学习是基于迭代学习方法，该方法将机器暴露于大量数据中。它可以帮助计算机学会识别行为并适应变化。机器能够学习数据集之间的差异，理解逻辑并在重复接触后做出更好的决策[2]。[3]中介绍了有关深度学习的审查。在[3]中提供以下信息：统计模型包含许多层以控制。使他们能够通过深度学习学习具有不同级别的数据表示。通过使用这些技术，现代技术已经在许多领域开发，包括视觉识别，语音识别，基因组学，药物