XiaoMi-AI文件搜索系统
World File Search SystemBUGS
Andrew IlyasAndrew Ilyas
Invited Talks Microsoft Research, Attributing model behavior at scale 2023 TrustML Young Scientist Seminar, Datamodels: predicting predictions from training data 2023 Stanford MedAI Seminar, Datamodels: predicting predictions from training data 2022 Google Brain, Datamodels: predicting predictions from training data 2022 SIAM Mathematics of Data Science, Datamodels: predicting predictions from training data 2022 OpenAI, Datamodels：预测训练数据2022 Samsung AI中心的预测，对2020 MIT视觉研讨会的深度学习现象的经验分析，确定数据集复制2020年伯克利CHAI中的偏见，仔细研究了深度政策梯度算法2020 Microsoft研究，Microsoft研究Microsoft Research，如何批量正常化？2019 Simons Institute，对抗性示例不是错误，它们是功能2019年两个Sigma，更仔细地查看深度政策梯度算法2019两个Sigma，强大的对抗性示例2018 Intel Labs，3D对抗性示例2018
细菌 - 生物技术的主力军
通过微生物学家的巧妙指导，细菌和其他“虫子”以奇妙的方式工作。人们一直擅长驯化动植物。现在，我们正在学习驯化细菌，一些微生物用作工厂 - 可以没有生存。他们制作了我们想要的东西，并摆脱了我们不想要的东西。它们是生物技术的工作主场。药品，农药，溶剂和塑料。一些有助于在滑雪胜地上下雪。与矿石的一些单独的黄金和铜减少了对氰化物等化学物质的需求。一些振兴的疲倦的油井。有些人使酶的DNA酶是基因工程的第一步。有些是我们的发酵罐，将糖转换为面包，啤酒，酸菜，奶酪，酸奶，醋，葡萄酒。当然，一些微生物是古老的敌人，结核病和霍乱以及其他祸害的看不见的使者。但相对较少。一千个中只有一个微生物是一种病原体 - 我们认为的细菌。其余的，我们和星球都不
llms无法可靠地识别和理由有关安全漏洞的理由（目前？）：全面的评估，框架和基准测试
摘要 - LARGE语言模型（LLMS）已被用来用于自动化漏洞维修中，但是台上标记表明它们可以始终如一地识别与安全性相关的错误。因此，我们开发了Secllmholmes，这是一个完全拟定的评估框架，该框架迄今为止对LLMS是否可以可靠地识别和有关安全相关的错误进行了最详细的调查。我们构建了一组228个代码方案，并使用我们的框架分析了八个不同调查维度的八个最有能力的LLM。我们的评估表明LLM提供了非确定性的反应，不正确且不忠的推理，并且在现实世界中的表现不佳。最重要的是，我们的发现在最先进的模型（例如“ Palm2”和“ GPT-4”（GPT-4'）中揭示了明显的非舒适性：仅通过更改函数或可变名称，或通过在源代码中添加库函数，这些模型分别在26％和17％的情况下可以产生错误的答案。这些发现表明，在将LLMs用作通用安全助理之前，需要进一步的LLM前进。
配偶的指挥和参谋笔记 - 陆军驻地
• 指挥部/单位每年都会进行家庭暴力和虐待儿童方面的培训。 • 请致电家庭宣传计划 334-255-3898 了解更多信息。新父母支持计划：334-255-9647 或 334-255- 3359 游戏小组：所有游戏小组均在 NPSP 大楼 8946 7 th Avenue 举行 -Wiggle Worms 游戏小组，适合 0 至 12 个月的儿童，周二 0845-0935 -Busy Bees 游戏小组，适合 13 至 24 个月的儿童，周二 0945-1035 -Jumping June Bugs，适合 25 至 36 个月的儿童，周二 1045-1135 如有疑问或需要预先注册，请联系 NPSP，电话为 334-255-9647、334-255-9805 或 334-255- 3359 财务准备 (FRP)：(334) 255-9631/3765 请注意：如果您是 PCS 并且级别在E1-E4；W1-W2；或 O1-O3 您需要获得法律规定的普通军事训练 (CMT) 的完成证书，为永久更换驻地 (PCS) 准备财务，以完成安装。该课程每周三 14:00-15:00 在 5700 号楼 350 室 ACS 办公室提供，或者您可以联系财务顾问了解其他可用格式以完成要求。您有能力获得财务自由 - 这取决于您如何学习如何为之努力！认真考虑您的财务状况可能会改变游戏规则。您的短期和长期目标是什么，您如何为这些目标提供资金，哪些储蓄或投资可以帮助您取得成功，退税是否可以帮助您摆脱债务或成为避免进一步债务的关键？ACS 财务顾问提供工具来帮助您确定如何让您的钱发挥作用。 *士兵服务中心 (350 室) 的财务准备计划提供：
用于检测害虫管理中挥发性化合物的纳米传感器：对农业可持续性的关注
摘要：传统的害虫管理策略，例如不加区分的农药使用，具有不利的环境和人类健康影响。作为可持续的替代方案，这项研究重点是使用纳米传感器检测stink Bugs发布的半化学物质，包括信息素和防御性化合物。这些纳米传感器具有聚苯胺和银（Pani.ag）的纳米杂化层以及聚苯胺和氧化石墨烯（PANI/GO）的纳米复合材料。The study explores the detection of synthetic semiochemicals, including cis and trans bisabolene epoxides, ( E )-2-hexanal, ( E )-2-decenal, ( E )-2-octenyl acetate, and ( E )-2-octenal semiochemicals emitted by Nezara viridula (Southern green stink bug) in the real environment.感应层的表征显示出pani.ag和pani/go层之间的亲水性和表面粗糙度差异。当暴露于顺式和反式双氧化物氧化物，（E）-2-己酸和（E）-2-二烯类等合成化合物时，纳米传感器显示出明显的响应，而PANI/GO表现出较高的敏感性。谐振频率移动与化合物的浓度相关，强调了这些传感器在检测低浓度的情况下的潜力，分别低于0.44和1.15 ng/ml。对大豆植物进行的真实环境测试表明，纳米传感器有效检测到了病毒乳杆菌成年人发出的半化学物质，尤其是在男性 - 雌性夫妇的情况下，强调了其对农业害虫监测的潜力。这些发现支持使用这些纳米传感器来早期检测有害生物活动，从而为综合害虫管理提供了积极的方法。关键字：纳米传感器，害虫管理，臭虫，半化学■简介
NIST 掩蔽电路反馈汇编 2021a
以保持/获得市场优势，并且提案的第二部分必须用作验证任何设计实施安全性的工具。第二部分中的验证工具可以通过首先测试网表来帮助行业和认证实验室减少实际验证实施的时间。目前，我们提出了三个属性，以便快速发现潜在的错误。我们相信学术界和行业界都可以帮助扩展这些属性，从而产生一个公共软件，从而提高效率，更重要的是提高验证的有效性。最后但并非最不重要的一点是，随着时间的推移，我们相信网表验证可以更好地预测认证实验室的评估结果，并随着时间的推移进一步简化设计和评估周期。我们仅针对 ASIC 物理实现配置文件提供安全声明。虽然所提出的技术也适用于 FPGA 和软件实现配置文件，但我们无法保证，因为我们考虑的对抗模型的某些假设可能会被违反。
Qiskit 量子计算平台的变质测试
摘要 — 随着量子计算越来越流行，底层量子计算平台的能力和复杂性都在增长。不幸的是，由于现有量子程序数量相对较少，并且存在预言问题，即缺乏对程序预期行为的规范，因此测试这些平台具有挑战性。本文介绍了 MorphQ，这是第一个用于量子计算平台的变质测试方法。我们的两个主要贡献是 (i) 一个程序生成器，它可以创建大量且多样化的有效（即不会崩溃的）量子程序集，以及 (ii) 一组利用量子特定变质关系来缓解预言问题的程序转换。通过测试流行的 Qiskit 平台对该方法进行评估表明，该方法在两天内创建了超过 8000 个程序对，其中许多都暴露了崩溃。检查崩溃后，我们发现了 13 个错误，其中 9 个已经得到确认。MorphQ 扩大了量子计算平台测试技术的范围，有助于为这个日益重要的领域创建可靠的软件堆栈。
量子程序的自动符号验证
量子计算在提高优化[15,25]、数据库搜索[19]、密码学[36]、量子动力学模拟[10]、可满足性问题[8]和机器学习[23]等许多领域的问题求解的可扩展性方面具有巨大潜力。最近，量子计算在交通流[18]、飞机载荷[38]、物流[2]和医疗诊断[21]等安全关键领域的应用势头强劲。此外，量子模拟[1,11,37]和云端量子计算机[22]现已可用。与经典程序一样，检测量子程序中的错误是一个关键问题。对于经典程序，存在强大的形式化验证技术来自动验证程序是否符合形式化规范[12]。最先进的验证器（例如，对于 C 程序 [ 6 ， 7 ， 27 ]）以符号方式执行验证：开发人员将特定的程序输入标记为符号，以便验证器知道使用这些输入作为“搜索空间”。然后，验证器证明程序的所有可能输入都符合规范。
一种完整堆栈软件开发的方法
摘要 - 完整的堆栈软件应用程序通常被简化为基本的CRUD操作，这些应用程序可以忽略解决复杂开发挑战所必需的计算机科学原理。当前的方法论在管理这些复杂性时，效率通常很短。本文提出了一种创新的方法，该方法利用了基础计算机科学原理，专门使用定向的无环图（DAG）来模拟复杂的业务问题。我们介绍了广度优先开发（BFD），深度优先开发（DFD），环状定向发展（CDD），定向无环开发（DAD），初级BFD（PBFD）和初级DFD（PDFD），以增强应用程序的开发。通过使用位图，这种方法消除了接线表，从而在关系数据库内进行了更紧凑，更有效的数据处理。严格的测试和数以万计的数以万计的用户的生产部署超过八年的生产部署，取得了显着的结果：零错误，发展速度的提高最多二十倍，绩效增长了7至8次，并且与传统方法相比，较低的速度提高了二十次，存储要求降低到了一十八。
对AI模型对代码生成安全性的影响的系统文献综述
尽管最初引起了人们的关注，但越来越多的组织依靠人工智能（AI）来增强其软件开发生命周期中的运营工作流动，并支持编写软件文物。最著名的工具之一是Github Copilot。它是由Microsoft创建的，依赖OpenAI的Codex模型，并在Github上公开可用的开源代码进行了培训（Chen等，2021）。就像许多类似的工具一样，例如Codeparrot，Polyododer，Starcoder -Copilot也是在大型语言模型（LLM）上构建的，该模型已接受了编程语言的培训。使用LLMS进行此类任务是一个想法，至少可以追溯到Openai Chatgpt的公开发行。但是，在软件开发中使用自动化和AI是一把双刃剑。虽然可以提高代码效率，但AI生成的代码的质量是有问题的。一些模型引入了众所周知的漏洞，例如在Miter的共同弱点枚举（CWE）中记录的漏洞，列出了前25名“最危险的软件弱点”。其他人则产生了所谓的“愚蠢的虫子”，即开发人员在评论时将其符合“愚蠢”的幼稚单线错误（Karampatsis和Sutton，2020年）。