XiaoMi-AI文件搜索系统
World File Search SystemChristiano
椭圆曲线上的类群作用产生的量子货币
量子货币是一种实现数字货币的方式，其中代表货币的“钞票”是量子态。量子货币的想法最早由 Wiesner [ Wie83 ] 提出，自那时起，量子货币就吸引了量子计算研究界的关注。在本文中，我们重点研究可公开验证的量子货币 [ Aar09 ]，这意味着任何观察者无需掌握特权信息即可验证钞票的正确性，以及量子闪电 [ Zha19 ]，这可以保证铸币厂也无法通过铸造复本钞票作弊。不幸的是，构建可公开验证的量子货币已被证明是相当难以捉摸的。Farhi、Gosset、Hassidim、Lutomirski、Nagaj 和 Shor 表明，即使经过一些自然修改，Wiesner 的量子货币方案也不能用于直接构建可公开验证的方案 [ FGH + 10 ]。第一个真正可公开验证的量子货币候选者是由 Aaronson [ Aar09 ] 以及 Aaronson 和 Christiano [ AC12 ] 提出的，他们分别给出了相对于量子和经典预言机的可公开验证的量子货币构造。不幸的是，这两种构造中预言机的拟议实例后来都被破解了 [ LAF + 10 ] [ CPDDF + 19 ]，这使得人们对此类预言机能否在现实世界中安全实施产生了怀疑。Zhandry 对量子闪电的具体构造 [ Zha19 ] 也被 Roberts [ Rob21 ] 破解。最近，Khesin、Lu 和 Shor [ KLS22 ] 的基于格的构造被 Liu、Montgomery 和 Zhandry [ LMZ23 ] 破解。另一方面，已经提出了一些候选方案，但尚未被破译，包括基于结点的构造 [ FGH + 12 ] 和四元数代数 [ Kan18 , KSS21 ]。此外，
美国各地区政府支出的开放经济新凯恩斯主义模型
在过去二十年中，宏观经济学的相关文献开始系统地探讨财政政策冲击对总体经济活动的影响。这些文献的大部分工作都致力于揭示财政政策的传导机制，即如何通过部署财政政策工具来缓解商业周期波动。尽管如此，争论仍未解决，各种实证研究试图估计所谓的财政乘数，特别是在长期经济低迷时期，如经济衰退。这些文献的大部分表明，政府支出的边际增加可能有助于产出增加约 0.5 到略高于 1。由 Barro (1981, 1990) 开始的一系列著名文献通过分析产出对联邦军事采购的反应得出了乘数。这一策略通常得出的乘数在 0.5 - 1 之间，Hall (2009) 和 Ramey (2009) 最近的研究表明，他们的估计乘数略高，约为 1.2。然而，这种方法微妙地取决于第二次世界大战和朝鲜战争期间支出与产出的相互关系，并且可能由于在武装冲突年代占主导地位的“计划经济”特征而产生偏差。Blanchard 和 Perotti (2002) 发起的另一种方法通过在结构向量 - 自回归的背景下识别政府支出冲击来进行。这些类型的研究，以及 Gal´ı、Lopez-Salido 和 Valles (2007) 等人的研究，提出了一个 1 或略高的乘数。Perotti (2007) 以及 Mountford 和 Uhlig (2008) 通过跨国证据表明乘数较低。 Mertens 和 Ravn (2010) 在新凯恩斯主义框架内对流动性陷阱环境进行了建模，并得出了一个比“正常”时期更小的乘数。另一个有趣的贡献来自 Erceg 和 Lind´e (2010)，他们构建了一个新凯恩斯主义 DSGE 模型——Christiano、Eichenbaum 和 Evans (2005) 以及 Smets 和 Wouters (2007) 的变体——以分析财政刺激在流动性陷阱引发的衰退期间的影响。该模型的特殊之处在于，流动性陷阱的持续时间取决于刺激的规模，因此是内生决定的。衰退是由对家庭偏好的强烈负面品味冲击引起的，主要发现是支出乘数可能会在流动性陷阱期间大幅放大
没有随机传递性的成对比较
成对比较数据在统计学和机器学习中受到了广泛关注，并在各个领域有着广泛的应用。这类数据通常来自锦标赛，其中每个成对比较结果都来自两个选手或队伍之间的比赛，或来自众包环境，其中个人负责比较两个项目，例如图像、电影或产品。具体而言，著名的瑟斯顿 (Thurstone, 1927) 和布拉德利-特里 (BT; Bradley and Terry, 1952) 模型为该领域奠定了基石，随后进行了许多扩展，包括 Shah 等人 (2016a) 提出的参数序数模型，拓宽了参数模型的类别。Oliveira 等人 (2018) 放宽了已知链接函数的假设，并提出了允许链接函数属于广泛函数家族的模型。非参数方法也已出现，例如 Shah 和 Wainwright (2018) 中基于 Borda 计数算法介绍的工作，以及 Chatterjee (2015) 和 Chatterjee 和 Mukherjee (2019) 研究的非参数 Bradley-Terry 模型。此外，还开发了用于众包环境的成对比较模型，如 Chen 等人 (2013) 和 Chen 等人 (2016) 等所讨论的。成对比较模型已获得广泛的应用，包括排名聚合（Chen and Suh，2015；Chen 等人，2019；Heckel 等人，2019；Chen 等人，2022b）、预测比赛 / 锦标赛（Cattelan 等人，2013；Tsokos 等人，2019；Macr`ı Demartino 等人，2024）、测试博彩市场的效率（McHale and Morton，2011；Ly´ocsa and V`yrost，2018；Ramirez 等人，2023）以及基于人工评估改进大型语言模型（Christiano 等人，2017；Ouyang 等人，2022；Zhu 等人，2023）。虽然上述模型对该领域做出了重大贡献，但它们依赖于随机传递性的假设，这意味着球员/球队/项目之间存在严格的排名。然而，这种假设可能不切实际，特别是在涉及多种技能或策略的环境中，不传递性自然会出现。尽管它具有实际重要性，但对允许不传递性的模型的研究仍然有限。一些值得注意的例外包括 Chen 和 Joachims (2016) 和 Spearing 等人 (2023) 的工作，他们通过引入额外参数来描述不传递性以及基于 Bradley-Terry 概率指定绝对优势的参数，扩展了 Bradley-Terry 模型。Spearing 等人 (2023) 提出了一种在完整贝叶斯框架下进行参数估计的马尔可夫链蒙特卡罗算法。然而，他们的贝叶斯程序计算量大，对于涉及许多球员或相对较高潜在维度的高维设置不切实际。 Chen 和 Joachims (2016) 将参数视为固定量，并通过优化正则化目标函数来估计它们。然而，它们的目标函数是非凸的，并且它们的模型高度过度
政策协调与财政刺激的有效性
我们经常看到经济从衰退中缓慢复苏，这自然会引发关于财政政策在刺激私人活动方面的有效性的激烈争论。一组研究人员报告称，财政刺激措施具有显著的正产出效应，这与新凯恩斯主义 (NK) 宏观经济模型一致。然而，这种影响只能在严格限制的模型中复制。请参见 Rotemberg 和 Woodford (1992)、Devereux 等人 (1996)、Fatás 和 Mihov (2001)、Blanchard 和 Perotti (2002)、Perotti (2011) 以及 Galí 等人 (2007) 等人的论文。另一方面，许多其他人对财政政策的有效性持怀疑态度。例如，Ramey (2011) 指出，扩张性政府支出冲击往往会因负财富效应而降低消费。另请参见 Aiyagari 等人 (1992)、Hall (1986)、Ramey 和 Shapiro (1998)、Edelberg 等人 (1999)、Burnside 等人 (2004)、Cavallo (2005)、Mountford 和 Uhlig (2009)、Ramey (2012) 和 Owyang 等人 (2013)。另一个有趣的问题是财政刺激是否仅在经济低迷期间刺激经济活动。例如，Fazzari 等人 (2015)、Auerbach 和 Gorodnichenko (2012)、Mittnik 和 Semmler (2012)、Bachmann 和 Sims (2012)、Bernardini 等人 (2020) 和 Albertini 等人。 （2021）声称，财政政策在萧条时期往往会产生更强的产出效应，而 Jia 等人（2021）、Owyang 等人（2013）以及 Ramey 和 Zubairy（2018）没有发现这样的证据。Barnichon 等人（2022）还提出了一种相当令人沮丧的政府支出冲击的非线性（符号相关）效应，表明无论周期状态如何，政府支出的意外减少往往会产生比正向冲击更大的（负面）影响。Hall（2009）和 Christiano 等人（2011）认为，当名义利率在零以下时，政府支出乘数可以更大。Jo 和 Zubairy（2021）表明，低通胀衰退中的政府支出乘数比高通胀衰退中的政府支出乘数更大。 Ghassibe 和 Zanetti (2020) 将财政乘数的国家依赖性与商业周期的来源联系起来。Corsetti 等人 (2012)、Ilzetzki 等人 (2013) 和 Born 等人 (2019) 利用大量国际数据，报告了强有力的证据，表明汇率制度和公共债务等国家特征在确定财政刺激的有效性方面发挥着重要作用。在他们最近的研究中，Leeper 等人 (2017) 提出了一个有趣的理论框架，该框架在积极的货币/被动财政政策制度（M 制度）中，私人支出对扩张性财政政策冲击的反应要弱得多，而不是在
chatgpt，大型语言模型和法律
1。See generally Alec Radford, Jeff Wu, Rewon Child, D. Luan, Dario Amodei & I. Sutskever, Language Models Are Unsupervised Multitask Learners (2019) (unpublished manuscript), https://d4mucfpksywv.cloudfront.net/better-language-models/language-model s.pdf [https://perma.cc/7tud-38j5]; Long Ouyang, Jeff Wu, Xu Jiang, Diogo Almeida, Carroll L. Wainwright, Pamela Mishkin, Chong Zhang, Sandhini Agarwal, Katarina Slama, Alex Ray, John Schulman, Jacob Hilton, Fraser Kelton, Luke Miller, Maddie Simens, Amanda Askell, Peter Welinder, Paul Christiano, Jan Leike &瑞安·洛（Ryan Lowe），培训语言模型遵循人类反馈的指示4，2022）（未出版的手稿），https://arxiv.org/pdf/2203.02155.pdf [https://perma.cc/myf8-28l9]。2。See Muhammad Usman Hadi , Qasem Al Tashi, Rizwan Qureshi, Abbas Shah, Amgad Muneer, Muhammad Irfan, Anas Zafar, Muhammad Bilal Shaikh, Naveed Akhtar, Jia Wu & Seyedali Mirjalili, Large Language Models: A Comprehensive Survey of Its Applications, Challenges, Limitations, and Future前景（2023年12月7日）（未发表的手稿），https：//www.semanticscholar.org/paper/large-language-models%3a-a-a-comprehensial--comphermiss--compherive--susporment-of-hadi-tashi/24de-tashi [https://perma.cc/fl y8-zd2p]。3。请参阅OpenAI，GPT-4技术报告（3月1，2024）（未发表的手稿），https://arxiv.org/abs/2303.08774 [https://perma.cc/m5vx-tjlt]。4。“理解”一词在引用中，因为不给这些AI系统化拟人化并不意义地暗示它们具有类似于人类的认知能力。5。6。L. R EV。L. R EV。相反，正如本文强调的那样，LLM AI系统通过统计近似来获得其智能观察结果。确实，他们通常能够产生非常准确和类似人类的反应，但目前，他们很可能不会以与人类认知理解相当或类似的方式“理解”人类语言。因此，在这种情况下，“理解”可以被认为是说这些模型产生的统计输出在鉴于输入的响应范围内，并且经常近似于一个类似位置的人，他们确实理解了认知水平上的输入，会产生响应。即使这种产生响应迅速且显着的人类输出的能力是显着的，但考虑到当前AI模型的工作方式，人们必须注意不要暗示类似人类的认知。OpenAi，介绍ChatGpt：对话的优化语言模型，o Pen AI：B日志（2022年11月30日），https：//openai.com/blog/chatgpt [https://perma.cc/8qwz-7nky]。Daniel Schwarcz和Jonathan H. Choi，《律师的AI工具：实用指南》，108 M Inn。h eadnotes 1，1（2023）;乔纳森·H·乔（Jonathan H.
Sandhya Saisubramanian、Shannon C. Roberts 和 Shlomo Zilberstein。2021 年。了解用户对负面态度
[1] Dario Amodei、Chris Olah、Jacob Steinhardt、Paul Christiano、John Schulman 和 Dan Mané。2016 年。《人工智能安全中的具体问题》。CoRR abs/1606.06565 (2016)。[2] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法有错误后会错误地避开它们》。《实验心理学杂志：综合》144, 1 (2015)，114。[3] Berkeley J. Dietvorst、Joseph P. Simmons 和 Cade Massey。2018 年。《克服算法厌恶：如果人们可以（即使稍微）修改算法，他们也会使用不完美的算法》。《管理科学》64, 3 (2018)，1155–1170。 [4] Julie S. Downs、Mandy B. Holbrook、Steve Sheng 和 Lorrie Faith Cranor。2010 年。您的参与者是否在玩弄系统？筛查 Mechanical Turk 工人。在 SIGCHI 计算机系统人为因素会议论文集上。2399–2402。[5] Jodi Forlizzi 和 Carl DiSalvo。2006 年。家庭环境中的服务机器人：对家用 Roomba 吸尘器的研究。在第一届 ACM SIGCHI/SIGART 人机交互会议论文集上。[6] Dylan Hadfield-Menell、Smitha Milli、Pieter Abbeel、Stuart J. Russell 和 Anca Dragan。2017 年。逆向奖励设计。在神经信息处理系统的发展中。[7] Bill Hibbard。2012 年。避免意外的 AI 行为。在国际通用人工智能会议上。Springer，107–116。[8] Lynn M. Hulse、Hui Xie 和 Edwin R. Galea。2018 年。对自动驾驶汽车的看法：与道路使用者的关系、风险、性别和年龄。安全科学 102（2018 年），1–13。[9] Rafal Kocielnik、Saleema Amershi 和 Paul N. Bennett。2019 年。您会接受不完美的人工智能吗？探索调整人工智能系统最终用户期望的设计。在 CHI 计算系统人为因素会议论文集上。[10] Moritz Körber。2018 年。衡量对自动化信任的理论考虑和问卷的开发。在国际人体工程学协会大会上。Springer，13–30。 [11] Victoria Krakovna、Laurent Orseau、Miljan Martic 和 Shane Legg。2019 年。使用逐步相对可达性惩罚副作用。在 AI 安全研讨会 IJCAI 中。[12] Victoria Krakovna、Laurent Orseau、Richard Ngo、Miljan Martic 和 Shane Legg。2020 年。通过考虑未来任务来避免副作用。在第 20 届神经信息处理系统会议论文集上。[13] Miltos Kyriakidis、Riender Happee 和 Joost CF de Winter。2015 年。公众对自动驾驶的看法：对 5000 名受访者的国际问卷调查结果。交通研究 F 部分：交通心理学和行为 32（2015 年），127–140。 [14] Ramya Ramakrishnan、Ece Kamar、Debadeepta Dey、Julie Shah 和 Eric Horvitz。2018 年。《发现强化学习中的盲点》。《第 17 届自主代理和多代理系统国际会议论文集》。[15] Stuart Russell。2017 年。《可证明有益的人工智能》。《指数生命，下一步》（2017 年）。[16] Sandhya Saisubramanian、Ece Kamar 和 Shlomo Zilberstein。2020 年。一种减轻负面影响的多目标方法。在第 29 届国际人工智能联合会议论文集上。[17] Sandhya Saisubramanian 和 Shlomo Zilberstein。2021 年。通过环境塑造减轻负面影响。在第 20 届自主代理和多智能体系统国际会议论文集上。[18] Sandhya Saisubramanian、Shlomo Zilberstein 和 Ece Kamar。2020 年。避免因对人工智能系统知识不完整而产生的负面影响。CoRR abs/2008.12146 (2020)。[19] Rohin Shah、Dmitrii Krasheninnikov、Jordan Alexander、Pieter Abbeel 和 Anca Dragan。 2019. 世界状态中的隐含偏好。第七届国际学习表征会议论文集。[20] Alexander Matt Turner、Dylan Hadfield-Menell 和 Prasad Tadepalli。2020. 通过可实现效用保存实现保守代理。AAAI/ACM 人工智能、伦理与社会会议论文集。[21] Ming Yin、Jennifer Wortman Vaughan 和 Hanna Wallach。2019. 理解准确度对机器学习模型信任的影响。CHI 计算系统人为因素会议论文集。[22] Shun Zhang、Edmund H. Durfee 和 Satinder P. Singh。2018. 分解马尔可夫决策过程中对副作用的 Minimax-Regret 查询以实现安全最优。在第 27 届国际人工智能联合会议论文集上。