XiaoMi-AI文件搜索系统
World File Search System遍历
使用元启发式优化技术扩展基于太空传感器的太空监视网络
鉴于人们对维持战术 SDA 的持续兴趣，太空传感器作为 SOSI 网络的组成部分，是一项不可或缺的资产。然而，太空传感器硬件和传感器轨道的设计空间巨大而复杂。只要有合适的目标函数来评估太空传感器设计的性能，就可以使用元启发式优化技术来遍历传感器设计空间。基于信息的传感器任务分配方面的先前工作可以提供与 SDA 相关的传感器性能指标，如参考文献 [13、12、20、14] 所示。针对 RSO 目录的传感器网络任务分配提取了有关传感器观察目标和估计其状态的能力的有用信息。将基于信息的传感器任务分配与元启发式优化相结合，可以为即将到来的 SDA 制定高性能的太空传感器星座设计。
时间使空间：在编码时间连续感官体验的网络中的位置字段的出现
据信脊椎动物海马在区域CA3中使用复发连通性来支持部分提示的情节记忆回忆。这个大脑区域还包含放置细胞，其位置选择性射击场实现了支持空间内存的地图。在这里我们表明，将细胞出现在经过训练的网络中，以记住时间连续的感觉发作。我们将CA3模拟为一种反复的自动编码器，该自动编码器回顾并重建了通过遍历模拟竞技场的代理商嘈杂且部分遮挡观察的感觉体验。用啮齿动物和环境建模的逼真的轨迹移动的代理被建模为连续变化，高维，感官体验图（具有平滑的高斯随机场）。训练我们的自动编码器准确地模式结合和重建感觉体验，并限制对总活动的限制会导致空间定位的射击场，即位置单元格，以在编码层中出现。The emergent place fields reproduce key aspects of hippocampal phenomenology: a) remapping (maintenance of and reversion to distinct learned maps in different environments), implemented via repositioning of experience manifolds in the network's hidden layer, b) orthogonality of spatial representations in different arenas, c) robust place field emergence in differently shaped rooms, with single units showing multiple place fields in large or complex spaces, and d）慢速代表性漂移的位置场。我们认为这些结果是因为空间的连续遍历使感觉体验在时间上连续。我们的实验代码可在1处获得。我们做出可测试的预测：a）a）迅速变化的感觉上下文将破坏位置字段，b）即使循环连接被阻止，位置字段也会形成，但是在重新映射时对先前学习的表示形式的尊重将被废除，c）临时平稳的体验的维度设置了位置字段的尺寸，包括在虚拟导航中，包括抽象的虚拟导航。
空间高效的内点法，应用于线性规划和最大权重二分匹配
是计算机科学和运筹学中最基本的问题之一。在过去的半个世纪里，人们致力于开发时间高效的线性规划求解器，例如单纯形法 [23]、椭球法 [44] 和内点法 [41]。近几年，利用内点法 (IPM) 加速线性规划求解得到了深入研究 [20, 55, 13, 35, 65, 25, 71]。当 m ≈ n 时，最先进的 IPM 运行时间为 O(m2+1/18+mω)，当 m≫n 时，运行时间为 O(mn+n3)。为了实现这些令人印象深刻的改进，大多数此类算法利用随机和动态数据结构来同时维护原始解和对偶解。虽然这些算法在时间上是高效的，但它们不太可能以空间高效的方式实现：维护原始对偶公式需要 Ω(m + n2) 空间，当 m ≫ n 时尤其不能令人满意。在本文中，我们研究了在流式模型中求解线性规划的问题：在每一遍中，我们可以查询 A 的第 i 行和 b 的对应行。目标是设计一个既节省空间又节省遍历次数的 LP 求解器。所谓高效，我们的目标是获得一种不依赖于 m 的多项式的算法，或者更具体地说，我们提出一个健壮的 IPM 框架，该框架仅使用 e O(n2) 空间和 e O(√n log(1/ϵ)) 次遍历。1据我们所知，这是实现与 m 无关的空间和遍历最高效的流式 LP 算法。目前最好的 LP 流式算法要么需要 Ω(n) 次传递，要么需要 Ω(n2+m2) 空间来进行 O(√n) 次传递。对于高密集 LP（m≫n）的情况，我们的算法实现了最佳空间和传递。获得这些 LP 算法的关键因素是从时间高效的原始对偶 IPM 转变为时间效率较低的仅对偶 IPM [64]。从时间角度来看，仅对偶 IPM 需要 e O(√nlog(1/ϵ)) 次迭代，每次迭代可以在 e O(mn+poly(n)) 的时间内计算完成。然而，它比原始对偶方法更节省空间。具体而言，我们表明每次迭代，只需维护一个 n×n 的 Hessian 矩阵即可。为了获得 e O ( √ n log (1 /ϵ )) 次传递，我们证明了诸如 Lewis 权重 [ 56 , 21 ] 等非平凡量可以以仅使用 e O ( n 2 ) 空间的就地方式递归计算。既然我们有了用于流式模型中一般 LP 的空间和传递效率高的 IPM，我们将使用半流式模型中的图问题应用程序对其进行实例化。在半流式模型中，每条边及其权重都以在线方式显示，并且可能受到对抗顺序的影响，并且算法可以在 e O ( n ) 空间中对流进行多次传递。2我们特别关注最大权重二分匹配问题，其中带有权重的边以流式传输给我们，目标是找到一个匹配，使其中的总权重最大化。虽然对这个问题的研究已经很多（[ 2 , 36 , 24 , 3 , 9 ] 等），但大多数算法只能计算近似匹配，这意味着权重至少是最大权重的 (1 − ϵ )。对于精确匹配的情况，最近的一项研究 [ 6 ] 提供了一种算法，它取 n 4 / 3 + o (1)
CrowdStrike和Fortinet：统一端点安全和下一代防火墙保护
组织需要采用一流安全工具的多层方法，以全面保护其基础架构和数据，以快速有效地保护自己免受混合工作时代不断发展的威胁。Fortinet和CrowdStrike之间的战略合作伙伴关系结合了领先的端点和网络安全平台，为共同客户提供统一和合并的保护。这种集成有助于通过零信任自适应访问，AI驱动的威胁保护以及强大的威胁检测和响应来降低风险。通过集成平台，您的安全团队获得了整合的可见性，并增强了跨网络和端点的安全控制，从而消除了在多个接口之间切换的需求。因此，您可以迅速识别并应对遍历环境的难以捉摸的威胁，确保深入防御的强大而有弹性的安全姿势。
原位X射线量化熔体池行为在定向能量沉积不锈钢的添加剂
SS316L的定向能量沉积添加剂制造（DED-AM）使用原位和Operando Synchrotron X射线成像进行了研究，以定量地了解加工参数对融化池形态和表面质量的影响。发现，DED-AM构建的表面粗糙度可能是由于熔体流量的变化和构建阶段运动扰动引起的熔体池表面扰动所致。的过程图，该过程图将构建质量与处理参数（包括粉末进料速率，激光功率和遍历速度）相关联。AM过程参数如何控制构建效率，并确定导致粗糙度的表面扰动所需的处理条件。2020作者。由Elsevier B.V.这是CC下的开放式访问文章（http：//creativecommons.org/licenses/4.0/）。
Regstar：对抗巡逻游戏的高效策略合成
巡逻游戏中的基本算法问题是计算防守方的策略 𝛾，使得 Val ( 𝛾 ) 尽可能大。由于一般的历史相关策略在算法上不可行（参见第 3.1 节），最近的研究 [Kučera 和 Lamser，2016 年，Klaška 等人，2018 年] 专注于计算常规策略，其中防守方的决策取决于有关先前访问的顶点的历史的有限信息。正如 Kučera 和 Lamser [2016] 所观察到的，常规策略比无记忆策略提供更好的保护，在无记忆策略中防守方的决策仅取决于当前访问的顶点。然而，提到的算法仅适用于所有边都具有相同长度（遍历时间）的巡逻图。顶点之间更长的距离只能通过添加一系列辅助顶点和边来建模，从而快速推动
dtg：基于扩散的轨迹生成，用于无MAP的全局导航
摘要 - 我们提出了一种新颖的基于端到端扩散的轨迹生成方法DTG，用于无地图的全球导航，以挑战户外场景，并具有遮挡和非结构化的越野特征，例如草，建筑物，灌木丛等。给定一个遥远的目标，我们的方法计算出满足以下目标的轨迹：（1）最大程度地降低目标的旅行距离； （2）通过选择不位于不良区域的路径来最大化遍历性。具体来说，我们为扩散模型提供了一种新颖的条件RNN（CRNN），以有效地产生轨迹。此外，我们提出了一种自适应训练方法，以确保扩散模型产生更多可遍历的轨迹。我们在各种室外场景中评估了我们的方法，并将性能与赫斯基机器人的其他全球导航算法进行比较。实际上，我们观察到的行进距离至少提高了15％，遍历性提高了7％。视频和代码：https：//github.com/jinggm/dtg.git。
通过量子电路表示具有二元特征的二元分类树
决策树是众所周知的预测模型，常用于数据挖掘和机器学习的广泛应用 [1-3]。一般来说，决策树可以看作是一种流程图结构，可用于查询数据。从根开始，每个内部节点代表对查询数据的测试，每个传出分支代表此测试的可能结果。对于二叉树，测试结果是一个布尔值，因此可以是真也可以是假（即每个内部节点有两个分支）。树的每个叶子都可以与一个决策相关联。因此，从根到叶子的路径意味着一组针对查询数据的决策规则，就像一个顺序决策过程。具体来说，我们考虑二叉分类树，其中叶子的决策决定了数据点对预定义的离散类集的成员资格。从给定数据集推断决策树是一项监督机器学习任务，也称为决策树归纳（或决策树学习）。然而，寻找全局最优解是 NP 难问题 [4, 5]，因此启发式递归算法在实践中更受青睐 [6]。此类算法通常以贪婪的自上而下的方式工作 [7]：从根开始，通过最小化数据不纯度函数来估计每个内部节点的最佳测试。相应地，沿着两个传出分支将数据集分成两个子集。对每个内部节点递归重复此过程，直到停止标准终止树的遍历并产生一个叶子节点，该叶子节点的分类决策基于节点内数据子集中存在的多数类。当所有路径都通向叶子节点时，算法结束。启发式创建的决策树并不能保证全局最优，但可能仍然适合实际用途。在量子计算的背景下，决策树可以被分配到量子机器学习领域 [8]。之前的几篇论文考虑了决策树和量子计算之间的相互作用。在 [9] 中，研究了决策树的遍历速度，并比较了经典方法和量子方法。作者发现两者之间没有优势。[10] 提出了一种启发式算法来诱导量子分类树，其中数据点被编码为量子态，并使用测量来找到最佳分割。然而，部分算法
里德伯原子模拟器和量子多体伤痕
哈佛大学的 Lukin 团队（Bernien 等人）利用里德堡原子阵列 4 实现了一个 51 量子比特的量子模拟器，避免了这些问题。利用里德堡原子的长寿命和强相互作用，以及巧妙的捕获技巧，他们能够创建一个模拟 Ising 型量子自旋模型的量子材料系统。他们观察到有序态的不同相，这些相破坏了各种离散对称性。此外，尽管这个系统不可积，但他们观察到似乎是非遍历的奇异多体动力学。这暗示了量子多体疤痕的观察。在他们的论文发表后，利兹大学的 Turner 等人发表了一篇理论论文，使用与 Lukin 团队所做的实验工作相同的系统，但使用 L = 32 作为系统大小。他们进一步将实验观察结果解释为由于光谱中的特殊本征态导致的弱遍历性破坏的结果。这类似于混沌非相互作用系统中的量子伤痕。5