XiaoMi-AI文件搜索系统
World File Search SystemGraphs
交互式的甲骨文证明与图形上的代码接近
设计有效的简洁非相互作用的知识论证（SNARKS）已成为密码学的重要领域。snark是一个加密证明系统，它使计算功能强大的谚语能够证明计算语句对计算弱验证者的有效性。实践中使用的蛇子依赖于对代数问题的计算算术化，并有效，互动地证明该问题具有解决方案。主要方法之一依赖于将错误校正代码作为代数问题，特别是芦苇 - 固体代码的接近测试。由于它们是作为对多项式评估的评估，因此它们提供了与算术相关的有用代数特性。但是，REED - 固体代码不是局部测试的，这意味着测试与代码相邻的距离，可以访问大部分单词。交互式甲骨文（IOPP）[1]，[2]的交互式甲骨文证明，通过启用与Reed-Solomon代码的接近度，同时仅读取几个坐标，以实现这一ISUE。iopp是供p的per p和verifier v之间的r旋转相互作用，其中p旨在说服v，对于给定的单词f∈Fn，代码c f n，code c f n和parameterΔ∈[0，1]，
使用时间相关图
摘要 - 网络威胁的快速发展已经超过了传统的检测方法，需要创新的措施，能够解决现代对手的适应性和复杂性。一个新颖的框架是构造的，利用时间相关图来建模恶意操作中固有的复杂关系和时间模式。该方法动态捕获的行为异常，提供了一种可靠的机制，可在实时场景中区分良性和恶意活动。广泛的实验证明了该框架在各种勒索软件家族中的有效性，其精度，召回和总体检测准确性始终如一。比较评估强调了其比传统的基于签名和启发式方法更好的表现，尤其是在处理多态性和以前看不见的勒索软件变体方面。该体系结构的设计考虑到可扩展性和模块化，确保与企业规模环境的兼容性，同时保持资源效率。对加密速度，异常模式和时间相关性的分析提供了对勒索软件运营策略的更深入的见解，从而验证了该框架对不断发展的威胁的适应性。该研究通过整合动态图分析和机器学习来推进网络安全技术，以在威胁检测中进行未来的创新。这项研究的结果强调了改变组织检测和减轻复杂网络攻击的方式的潜力。
传递定向时间图的复杂性
在其边缘有离散时间标签的时间网络中，信息只能沿着边缘的序列“流”，而无需降低（分别增加时间标签。在本文中，我们第一次尝试了解一个边缘上信息流的分解如何影响其他边缘上信息流的方向。通过自然地扩展静态图中及时取向的经典概念，我们介绍了时间及时方向的基本概念，并系统地研究了其算法行为。我们的主要结果是一种概念上的简单，但在技术上涉及的多项式时间算法，用于识别时间图G是否可以定位。与众不同，我们证明，令人惊讶的是，必须认识到G是否可以严格定位。此外，我们还将进一步的与时间传递性有关的问题引入，尤其是它们的时间传递完成问题，我们证明了算法和硬度结果。
用于生成纠缠量子子系统的顶点小通用图
我们研究了 k -稳定器通用量子态的概念，即 n -量子比特量子态，这样就可以仅使用局部操作和经典通信在任何 k 量子比特上诱导任何稳定器状态。这些状态概括了 Bravyi 等人提出的 k -可配对状态的概念，可以从组合的角度使用图状态和 k -顶点小通用图进行研究。首先，我们证明了 k -稳定器通用图状态的存在，它们的大小在 n = Θ(k2) 量子比特时是最优的。我们还提供了参数，对于这些参数，Θ(k2) 量子比特上的随机图状态以高概率是 k -稳定器通用的。我们的第二个贡献包括在 n = O(k4) 量子比特上 k -稳定器通用图状态的两个明确构造。两者都依赖于有限域 F q 上射影平面的入射图。这比之前已知的 n = O(2 3 k) 的 k 可配对图状态的显式构造有了很大的改进，带来了一类新的、具有强大潜力的多部分量子资源。
使用知识图谱和以人为本的人工智能构建可重构供应链：一个研究框架
供应链的配置和运作与企业的成功息息相关，多年来一直是学术界和工业界关注的话题。许多供应链都高度优化，注重效率和利润，因为企业将全球化、低关税和稳定的贸易规则视为理所当然。然而，近年来，全球形势变得越来越不稳定，最近发生的几起事件暴露了全球供应链的脆弱性。特别是 COVID-19 大流行导致全球不同地区的工厂暂时关闭，影响了供应链。再加上中美贸易战、英国脱欧或苏伊士运河暂时堵塞等其他事件，这些中断成为严重威胁，导致不同产品短缺。更严格的准入规定导致交货时间更长、更不可预测，并破坏了库存不足的长距离供应链。目前，由于极端天气事件更频繁，以及由气候变化引起的新传染病爆发，情况似乎不会很快好转。
在分子图中优化OOD检测
尽管分子表示学习最近取得了进展，但其有效性还是在近世界的假设上假定的，即训练和测试图来自相同的分布。开放世界测试数据集通常与分布（OOD）样本混合在一起，在该样本中，部署的模型将难以做出准确的预测。在药物筛查或设计中分子特性的误导性估计会导致湿lab资源的大量浪费并延迟发现新疗法的发现。传统检测方法需要对OOD检测和分布（ID）分类性能进行贸易，因为它们共享相同的表示模型。在这项工作中，我们建议通过采用基于辅助扩散模型的框架来解析OOD分子，该框架比较了输入分子和重建图之间的相似性。由于产生构建ID训练样品的产生偏见，OOD分子的相似性得分将要低得多以促进检测。尽管在概念上很简单，但将此香草框架扩展到实际检测应用程序仍然受到两个重大挑战的限制。首先，基于欧几里得距离的流行相似性指标无法考虑复杂的图形结构。第二，涉及迭代脱氧步骤的属性模型众所周知，尤其是在大量药物库上运行时。为了应对这些挑战，我们的研究先驱者是一种旋转型G raph r生态建构的方法，该方法被称为pgr-mood。具体来说，PGR-MOOD取决于三个创新：i）一个有效的指标，可根据离散的边缘和连续节点特征全面量化输入和重建分子的匹配程度； ii）构建
材料ab-通往新材料的神经图的旅程
本白皮书介绍了在复杂化学空间的背景下革命性材料发现的创新方法和计算框架的全面探索。利用高级技术，例如图形神经网络（GNN），主动学习框架和密度功能理论（DFT）计算，我们建立了一个数据驱动的，闭环系统，以进行材料预测，验证和优化。Our approach integrates high-throughput simulations, multiscale modeling, and multi-physics coupling to address critical challenges in the design of high-performance materials across diverse domains, including energy storage, quantum information systems, and biomedical applications.Through rigorous model evaluations and experimental validations, we demonstrate the predictive accuracy and generalization capability of our frameworks, achieving substantial breakthroughs in exploring previously未知的化学空间。关键成就包括对离子扩散系数的显着改善，超导体的临界温度预测以及催化效率，所有这些都对实验基准进行了验证。通过进一步扩展我们的算法来支持多尺度模拟并将它们与分布式的开放数据平台集成在一起，这项工作为协作，可扩展和智能材料研究的基础奠定了基础。我们的发现不仅可以通过在计算预测和实验验证之间重新定义材料科学的范围，还可以在批判性的质疑之间启动差距，还可以在关键的领域中解除批判性影响力应用程序。这份白皮书强调了我们方法的技术基础，经过验证的方法和重要的科学贡献，建立了21世纪加速材料发现的新基准。
Medikal：将知识图作为LLM的助手集成，以增强EMRS的临床诊断
电子病历（EMRS）虽然与现代医疗保健不可或缺的一部分，但由于其复杂性和信息还原而呈现临床推理和诊断的Challenges。为了解决这个问题，我们提出了Medikal（将K Nowledge图作为L LMS的ssistants），该框架将大型语言模型（LLMS）与知识图（kgs）结合在一起，以增强诊断性capabilies。Medikal根据其类型将医疗记录中的实体分配给实体的重要性，从而使候选疾病的精确定位在公里内。它创新采用了类似残留的网络样方法，从而使LLMS诊断可以合并为kg搜索结果。通过基于路径的重新算法算法和填充风格的提示模板，它进一步完善了诊断过程。我们通过对新型开源的中国EMR数据集进行了广泛的实验来验证Medikal的有效性，这表明了其在现实环境中提高临床诊断的潜力。代码和数据集可在https：//github.com/csu-nlp-group/medikal上公开获得。
pGmax：离散概率图形模型的因子图和jax
概率图形模型（PGM）紧凑地编码一组随机变量的完整关节概率分布。PGM，并已成功地用于计算机视觉中（Wang等，2013），误差校正代码（McEliect等，1998），生物学（Durbin等，1998）等（Durbin等）等。在本文中，我们专注于离散的PGM。对具有可牵引因子1的离散PGM进行近似后验推断的标准方法涉及诸如循环信念传播（LBP）之类的消息通讯算法（Pearl，1988; Murphy等，1999）。lbp在变量和因子图的因子之间传播“消息”。，尽管过去进行了几次尝试（请参阅第2节），但没有建立良好的开源Python软件包可以实现效率和可扩展的LBP用于一般因子图。关键挑战在于设计和操纵Python数据结构，该数据结构包含LBP消息，用于支持具有任意拓扑的大型因子图和