XiaoMi-AI文件搜索系统
World File Search SystemE2E
Kyber-E2E提交CVPR的CARLA自主驾驶挑战 计划以计划为导向的自主驾驶
在本文中，我们介绍了Kyber-e2e提交给Carla Automous Driving（AD）Challenge的架构，CVPR2024。我们的解决方案包括经过独立培训的感知和计划模块。此外，我们采用了手工制作的模块来进行本地化和控制，以形成完整的AD管道。我们为精心手工制作的特权代理人提供了培训数据，以培训我们的看法和计划模块。尽管并不完美，但特权代理商成功地将Carla Leaderbaord 2.0中的所有场景成功提供了培训的可靠数据集。感知模块是从特权信息中以有监督的方式培训的。该计划模块最初是使用模仿学习来复制手工制作的特权代理的培训，后来在基于重放的仿真环境中进行了微调。
与小心分享：在NextCloud中打破E2EE
摘要 - NextCloud是一个领先的云存储平台，拥有超过2000万用户。NextCloud提供了端到端加密（E2EE）功能，该功能据称能够“即使在完整的服务器漏洞中，也可以完全敏感的数据完全安全”。他们还声称NextCloud Server“具有零知识，也就是说，从未以未加密形式访问任何数据或密钥”。这是通过使用仅适用于NextCloud客户端可用的文件键进行的加密和解密操作来实现的，而这些文件键则由键层次结构保护，最终依赖于专门针对用户已知的长密码。我们提供了NextCloud E2EE功能的第一个详细文档和安全性分析。NextCloud的强大安全要求激励在服务器本身被认为是恶意的环境中进行分析。我们在此设置中提出了针对该功能的三个不同的攻击。每个用户文件都可以妥协所有用户文件的机密性和完整性。所有三项攻击都是完全实用的，我们已经为每种攻击建立了概念验证实现。这些漏洞使恶意的NextCloud服务器访问和操纵用户的数据很琐碎。我们已经负责任地向NextCloud披露了三个漏洞。第二和第三漏洞已被修复。第一个是通过从E2EE功能中临时删除文件共享功能来解决的，直到可以重新设计该功能为止。我们反思了可以为E2EE系统设计师学习的更广泛的教训。
E2ENNet：用于情感脑机接口的端到端神经网络
情绪的反映有两种，包括外部反应和内部反应：外部反应包括人的面部表情、手势或言语等；内部反应包括皮肤电反应、心率、血压、呼吸频率、脑电图（EEG）、脑电图（EOG）（Yu et al., 2019）、脑磁图（MEG）（Christian et al., 2014）。从神经科学的角度（Lotfiand Akbarzadeh-T., 2014）发现，大脑皮层的主要区域与人的情绪密切相关（Britton et al., 2006; Etkin et al., 2011; Lindquist and Barrett, 2012），这启发我们通过在头皮上放置脑电电极来收集脑电信号，记录大脑的神经活动，从而识别人的情绪。脑电信号蕴含着情绪信息，近年来在情绪识别领域得到了广泛的应用（Soroush et al.，2017；Sulthan et al.，2018；Alarcao and Fonseca，2019）。在传统的脑电情绪识别过程中，特征提取是至关重要的步骤。如图1所示，在对脑电信号进行预处理后，通常需要从原始脑电信号中提取特征，然后输入到网络进行分类识别（Duan et al.，2013；Chen et al.，2021；Ma et al.，2021）。Duan等（2013）提出了五频带的差分熵（DE）特征，并利用DE特征获得了满意的分类结果。Li et al. (2019) 利用短时傅里叶变换提取时频特征，计算 theta、alpha、beta、gamma 波段的功率谱密度 (PSD) 特征，并使用 LSTM 进行情绪判别，取得了显著的分类结果。马等 (2021) 提出了一种甲虫天线搜索 (BAS) 算法，该算法在三个不同波段和六个通道中提取三个不同的特征，并采用 SVM 分类器进行分类。与传统 SVM 方法相比，BAS-SVM 方法的分类准确率提高了 12.89%。近年来，深度学习方法被广泛应用于情绪识别 (Jia et al.，2020a；Li et al.，2020；Zhou et al.，2021)。宋等 (2021) (2018) 根据电极位置设计 DE 特征，并使用图卷积神经网络 (GCNN) 作为分类器。张等 (2019) 创新性地将从脑电数据集中提取的 DE 特征与从面部表情数据集中提取的特征相结合，构建了时空循环神经网络 (STRNN) 用于情绪识别。李等 (2018) 提出了一种双半球域对抗神经网络 (BiDANN)，以 DE 作为输入特征，在 SEED 数据集上进行了受试者相关和受试者独立的实验，取得了相对最佳的性能。郝等 (2021) 提出了一种提取 PSD 特征作为输入的轻量级卷积神经网络，并在 DEAP 数据集上进行了实验，分别取得了 82.33 和 75 的成绩。Valance 和 Arousal 分别为 46%。Chen 等人 (2021) 提出了一种集成胶囊卷积神经网络 (CapsNet)，该网络使用小波包变换 (WPT) 进行特征提取。平均
通过价值敏感设计引领更安全的E2E对话式AI的发布
自然语言处理及其应用的社会影响在 NLP 社区中受到越来越多的关注（例如 Hovy 和 Spruit，2016 年），其中大型语言模型 (LLM) 成为近期的主要目标之一（例如 Bender 等人，2021 年；Bommasani 等人，2021 年；Weidinger 等人，2021 年）。本文探讨了在设计和发布对话式 AI (ConvAI) 模型时需要考虑的事项。我们专注于神经对话响应生成模型，这些模型在开放域对话数据上训练，缺乏特定领域的任务公式，而是旨在自由而引人入胜地谈论各种主题。这些模型通常在流行的编码器-解码器范式中训练，该范式由 Vinyals 和 Le（2015 年）；Shang 等人（2015 年）；Serban 等人首次为此任务引入。 （2016 年）。我们将在此范式中训练的对话模型称为端到端 (E2E) 系统，因为它们学习输入和输出之间的隐藏映射，而无需临时语义表示。在此范式中训练的 E2E ConvAI 模型的一个重要优点是它们可以
使用 AI 搜索功能的新 PE2E 搜索工具
1 一组有限的审查员使用 AI 搜索功能的测试版同时搜索了大约 700 份申请，同时还使用当时可用的 USPTO 专利搜索工具为准备审查行动进行搜索。PE2E Search 的其他 AI 搜索功能的原型设计正在进行中。2 随着为 PE2E Search 开发新的 AI 功能，一组有限的审查员对其进行了测试。在测试期间收集的数据用于提高这些 AI 功能的质量和性能，这些功能使用 PE2E Search 作为运行平台。AI 功能的公开可用性在一定程度上取决于 PE2E Search 的可用性。目前，USPTO 计划在 2022 财年向公众提供 PE2E Search 中的一些搜索功能。由于合同和成本问题，AI 搜索工具将不对公众开放。但是，经过一段时间的初步测试后，USPTO 欢迎公众提出反馈意见，该机构将重新考虑向公众开放的可能性。随着新信息的出现，美国专利商标局计划提供有关 PE2E 搜索工具、其不断发展的 AI 功能以及公众可访问性的更新。
受控网络：基于 AI 的 QoS 预测的多车辆 E2E 测量
摘要 — 未来，移动用例将依赖于精确的预测，服务质量 (QoS) 预测就是一个突出的例子。本文介绍了当今车辆的实际测量结果，以支持未来强大的 QoS 预测。基于专门的受控测量活动，我们重点介绍了影响收集的数据集的无线环境和设备特性（如采样率）的各个方面。如果处理不当，这些特性可能会妨碍基于人工智能的 QoS 预测算法的性能。因此，我们还提供了有关数据集特征的见解，应进一步利用这些见解来更轻松地采用基于 AI 的算法。新的基于 AI 的算法应该能够在非常多样化的无线电环境中运行，并从不同设备捕获数据。我们提供了一些示例，强调了彻底了解数据集及其动态的重要性。
TI 太空产品 - TI E2E - 德州仪器
Space-EP 器件与标准目录产品相比具有以下优势：• 受控基线，一个晶圆厂、一个装配站点、一套材料。• 优化材料组，包括芯片连接、模塑化合物、引线框架和键合线，全部经过选择以最大程度提高可靠性。• 无高锡（>97% Sn）结构，包括端子（SnAgCu 焊球和 Matte-Sn 电镀）或内部封装组件（芯片凸块或基板电镀）。• 无铜键合线。产品采用倒装芯片安装（无键合线）或使用金键合线。• 额外的装配处理，包括 100% 温度循环或 100% 单程回流模拟代替温度循环。• 在目标温度范围（–55°C 至 +125°C）内进行特性分析。• 在室温和高温下均采用标准参数测试，并带有保护带以确保低温下的数据表限制。• 装配批次验收，包括 X 射线抽样和 CSAM 抽样。• 使用 MIL-PRF-38535 QML Class V 作为基线进行晶圆批次验收。
TI 太空、航空电子和国防组件 - TI E2E
增强型产品 TI 的增强型产品 (EP) 产品组合包括 750 多种商用现货 (COTS) 产品，这些产品涵盖了整个电路板，可为您打造适用于恶劣环境应用的解决方案。这些产品提供多样性和设计灵活性，同时仍满足航空电子、国防和工业标准，可在需要高质量和长使用寿命的环境中运行。任何恶劣操作环境和长使用寿命应用领域的设计人员都可以从这个广泛的产品组合中受益。此外，虽然这些产品是为恶劣环境设计的，但超过 90% 的产品符合 EAR99 标准，可以在世界任何地方无限制销售。
HTU21D(F) 传感器数字相对湿度传感器... - TI E2E
HTU21D(F) 是一款新型数字湿度传感器，由 MEAS 输出温度。它采用可回流焊接的双扁平无引线 (DFN) 封装，尺寸仅为 3 x 3 x 0.9 毫米，在尺寸和智能方面树立了新标准。该传感器提供经过校准的线性化数字 I²C 信号。HTU21D(F) 数字湿度传感器是专用的湿度和温度即插即用传感器，适用于需要可靠和准确测量的 OEM 应用。该模块可直接与微控制器连接，用于湿度和温度数字输出。这些低功耗传感器专为空间受限、批量大、成本敏感的应用而设计。每个传感器都经过单独校准和测试。批次标识印在传感器上，电子识别码存储在芯片上 - 可通过命令读取。可以检测到电池电量不足，校验和可提高通信可靠性。这些数字湿度传感器的分辨率可以通过命令更改（RH/T 为 8/12 位，最高为 12/14 位）。随着 MEAS 的改进和此传感器的小型化，性价比得到了提高 - 最终，任何设备都应受益于其尖端的节能操作模式。可选的 PTFE 过滤器/膜 (F) 可保护 HTU21D 数字湿度传感器免受灰尘和水浸入以及颗粒污染。PTFE 过滤器/膜保持较高的响应时间。白色 PTFE 过滤器/膜直接粘在传感器外壳上。