XiaoMi-AI文件搜索系统
World File Search SystemDecentralized
Alethea AI 推出全球首个去中心化合成媒体网络
为了展示其技术并挑战合成媒体因其近期滥用历史而获得的负面声誉，Alethea AI 制作了以下有关气候紧急情况的视频。这段讽刺性的合成视频是为 Apologia 项目制作的，该项目是由非营利组织 STEP 发起的气候变化宣传项目，令人不安地描述了 2032 年的世界状况。选择这一年份是因为科学家预测地球温度将达到相应的 +1.5°C 上限，这被广泛认为是不可挽回的。未来几周，人们将民主投票选出下一位应该为忽视气候紧急情况道歉的领导人。使用 Alethea AI 技术生成的所有合成视频都将带有显眼的免责声明，并加注水印以表明视频已被数字修改。
基于强化学习的分散武器 -
多次无误攻击是饱和和克服导弹防御系统的最简单方法之一。为了提高针对此类攻击者群体的拦截效率，有必要根据其运动学局限性分配拦截器。此外，这样的分配方案必须是可扩展的，以应对大型方案并允许动态重新分配。在本文中，我们首先提出了这种武器目标分配（WTA）问题的新表述，并提供了使用加固学习（RL）以及贪婪的搜索算法来解决它的分散方法。从每个追随者与所有目标的角度考虑参与。同时，其他拦截器与目标群体相关，而其他团队成员则可以使用其分配和成功概率。为了改善中途轨迹的塑造，在追随者和进来的对手之间放置了静态虚拟目标。每个拦截器根据从计算有效的仿真环境中的大量场景中学到的策略动态选择目标。RL输入状态包含目标的拦截器达到性覆盖范围以及其他导弹成功的概率。RL奖励汇总了团队绩效，以鼓励在分配层面上进行合作。相关的可及性约束是通过采用拦截器运动的运动学近似来分析获得的。RL的使用确保所有拦截器的实时可扩展和动态重新分配。我们将基于RL的分散WTA和指导方案与贪婪解决方案的性能进行比较，显示了RL的性能优势。
DeSVig：工业人工智能系统中针对对抗性攻击的去中心化快速警惕
摘要 — 单独增强单个深度学习模型的鲁棒性只能提供有限的安全保障，尤其是在面对对抗性示例时。在本文中，我们提出了 DeSVig，这是一个去中心化的 Swift Vigilance 框架，用于识别工业人工智能系统 (IAIS) 中的对抗性攻击，使 IAIS 能够在几秒钟内纠正错误。DeSVig 高度去中心化，提高了识别异常输入的有效性。我们尝试使用特殊指定的移动边缘计算和生成对抗网络 (GAN) 来克服由行业动态引起的超低延迟挑战。我们工作最重要的优势是它可以显着降低被对抗性示例欺骗的失败风险，这对于安全优先和延迟敏感的环境至关重要。在我们的实验中，工业电子元件的对抗样本由几种经典的攻击模型生成。实验结果表明，DeSVig 比一些最先进的防御方法更强大、更高效、更具可扩展性。
greendfl：评估分散联合学习系统可持续性的框架
上下文：分散的联合学习（DFL）是一个新兴的范式，可以实现无需集中数据和模型聚合的协作模型培训，从而增强了隐私和弹性。然而，随着能源消耗和碳排放量在不同的系统配置中有所不同，其可持续性仍未得到充满信心。了解DFL的环境影响对于优化其设计和部署至关重要。目标：这项工作旨在开发一个全面和运营的框架来评估DFL系统的可持续性。为了解决它，这项工作提供了一种系统的方法来量化能耗和碳排放，从而提供了有关提高DFL可持续性的见解。方法：这项工作提出了Greendfl，这是一个完全可实现的框架，已集成到现实世界的DFL平台中。greendfl系统地分析了各种因素的影响，包括硬件加速器，模型架构，通信介质，数据分布，网络拓扑和联邦规模，对DFL系统的可持续性。此外，开发了一种可持续性感知的聚合算法（GREENDFL-SA）和节点选择算法（GREENDFL-SN），以优化能源效率并减少DFL培训中的碳排放。结果：经验实验是在多个数据集上进行的，在DFL生命周期的不同阶段测量能耗和碳排放。结果表明，本地培训主导了能耗和碳排放，而沟通的影响相对较小。使用GPU代替CPU来优化模型复杂性，并从策略上选择参与节点可显着提高可持续性。此外，使用有线通信，尤其是光纤，有效地减少了通信阶段的能源消耗，同时整合早期停止机制进一步最小化了总体排放。结论：拟议的Greendfl提供了一种评估DFL系统可持续性的全面和实用方法。此外，它提供了提高DFL环境效率的最佳实践，从而使可持续性考虑在现实世界部署中更具可行性。
无噪用的隐私权分散学习
分散的学习（DL）启用与服务器的协作学习，而无需培训数据，可以使用户的设备留下。但是，DL中共享的模型仍然可用于推断培训数据。传统的防御措施，例如差异隐私和安全汇总在有效地保护DL中的用户隐私方面缺乏牺牲模型效用或效率。我们介绍了Shatter，这是一种新颖的DL方法，其中节点可以创建虚拟节点（VN S）代表他们传播其完整模型的块。这通过（i）防止攻击者从其他节点收集完整模型，以及（ii）隐藏产生给定模型块的原始节点的身份。从理论上讲，我们证明了破碎的收敛性，并提供了正式的分析，揭示了与在节点之间交换完整模型相比，Shatter如何降低攻击的效力。我们评估了与现有DL算法，异质数据集的融合和攻击弹性，并与三个Standard隐私攻击进行评估。我们的评估表明，破碎不仅使这些隐私攻击在每个节点运行16个VN时不可行，而且与标准DL相比，对模型实用程序产生了积极影响。总而言之，Shatter在保持模型的效用和效率的同时，增强了DL的隐私。
来自标准模型中配对的动态分散功能加密
摘要。动态分散功能加密（DDFE）。（加密20）表示（多客户）功能加密的强大概括。它允许用户动态加入并贡献私人输入，以单独控制联合功能，而无需信任的权威。最近，Shi和Vanjani（PKC'23）提出了用于掩盖功能内部产品（FH-IP）的第一个多客户功能加密方案，而无需依赖随机的甲壳。毫无意义地，他们的构建仍然需要一个值得信赖的关键权威，因此，打开了一个问题，即标准模型中是否可以存在全面的FH-IP-DDFE。在这项工作中，我们通过引入可更新的伪零共享来回答这个问题，这是一个新颖的概念，它提供了在标准模型中构建安全DDFE计划所需的关键功能和安全性。我们的第二个贡献是一种新颖的证明策略，它在将FH-IP的任何功能加密方案转换为FH-IP-DDFE时可以保持自适应安全性。一起，这两种技术实现了FH-IP-DDFE的模块化构造，该模块化是可抵抗标准模型中自适应消息和关键查询的安全性。此外，我们的伪零共享方案具有很高的用途，可以在标准模型中获得属性加权总和的第一个DDFE，并补充了Agrawal等人最近基于ROM的结构。（加密23）。
SLVC-DIDA：用于分散身份的基于无签名的无验证的发行人隐藏和多方身份验证
作为数字身份的新兴范式，分散的身份（DID）在各个方面都具有比传统身份管理方法的优势，例如增强以用户为中心的在线在线服务并确保完整的用户自主权和控制。验证凭证（VC）技术用于促进跨多个实体的分散ID访问控制。但是，现有计划通常依赖于分布式的公钥基础，该基础也会引起挑战，例如上下文信息推论，密钥曝光和发行人数据泄漏。为了解决上述问题，本文提出了一个永久性发行人隐藏（PIH），这是首次使用签名的无VC模型（名为SLVC-DIDA）进行了多方身份验证框架。我们提出的计划避免了通过采用哈希和发行人会员证明来签署密钥的依赖，这支持通用零知识多党派进行了认证，从而消除了其他技术集成。我们采用零知识的RSA蓄能器来维护发行人集的匿名性，从而通过基于默克尔树的VC列表来保护身份属性的隐私，从而实现公众验证。通过消除对公钥基础设施（PKI）的依赖，SLVC- DIDA可以完全分散发行和验证DIDS。此外，我们的计划通过实施零知识发行者集和VC列表来确保PIH，从而有效地减轻了关键泄漏和上下文推理攻击的风险。我们的实验进一步评估了SLVC-DIDA的有效性和实用性。
使用...
摘要：本文探讨了区块链，人工智能（AI）和物联网（IoT）的整合，以彻底改变医疗保健数据管理，存储，访问和分析，旨在提高数据安全，诊断准确性和医疗保健可访问性。通过利用区块链的分散和不变的性质，AI的诊断能力以及物联网的实时监控，该研究强调了这些技术如何解决在Covid-19-19的大流行期间所面临的挑战，例如数据泄露，供应链完整性，供应链完整性和远程患者护理。这项研究强调了这些创新的潜力，以改善紧急响应，优化临床工作流程并确保患者隐私，同时克服技术，安全和道德障碍。通过分散的紧急智能（D-EI）和受区块链保护的医学成像系统等框架，该研究证明了这些技术对医疗保健效率和患者结果的变革性影响。未来的方向着重于增强互操作性，可伸缩性和监管合规性，以充分意识到它们在全球医疗系统中的潜力。
Todefi-都灵分散的金融会议2025
通过Nazionale，190年 - 罗马，6月19日至2025年，2025年提交截止日期：01.03.2025请将论文提交给：todefi@carloalberto.org。随着Defi平台在全球范围内继续彻底改变金融体系，对尖端研究的需求从未如此关键。本次会议旨在促进有关不断发展的Defi景观的最高学术论述及其与加密资产生态系统的互动（钱包提供者，交流，金融中介等。），将顶级研究和思想领导层融合在一起。我们邀请了初级研究人员和已建立的学者的提交，这些学者正在Defi领域从事创新项目。该会议旨在强调以下领域的最新理论，经验和应用研究。
AI代理的分散治理
自治AI代理人带来了变革的机会和重要的治理Challenges。现有的框架，例如《欧盟AI法案》和《 NIST AI风险管理框架》，无法解决这些代理的复杂性，这些代理能够独立决策，学习和适应。为了弥合这些差距，我们提出了精神（thical Technology and Holistic o Versight s y Sem）的框架 - 分散的治理（DEGOV）模型利用Web3技术，包括区块链，智能合约和De-Clentlized自主组织（DAOS）。精神为AI代理建立了全球注册表，从而通过Soulbound令牌和零知识证明的工具来实现动态风险分类，比例监督以及自动化的合规性监控。此外，该框架还结合了分散的司法系统，以解决透明的争议解决，并涉及AI特定的法律实体，以管理有限责任，并得到强制性保险的支持，以确保财务责任制并激励道德设计。通过整合理性，道德基础和目标一致性的哲学原则，旨在为促进信任，透明度和参与式治理创建一个巨大的研究议程。这个创新的框架为监管AI代理商提供了可扩展而包容的策略，平衡创新与道德责任，以满足AI驱动的未来的需求。