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]，
有向图和无向图的广义谱聚类
谱聚类是聚类无向图的一种常用方法，但将其扩展到有向图（有向图）则更具挑战性。一种典型的解决方法是简单地对称化有向图的邻接矩阵，但这可能会导致丢弃边方向性所携带的有价值信息。在本文中，我们提出了一个广义的谱聚类框架，可以处理有向图和无向图。我们的方法基于一个新泛函的谱松弛，我们将其引入为图函数的广义狄利克雷能量，关于图边上的任意正则化测度。我们还提出了一种由图上自然随机游走的迭代幂构建的正则化测度的实用参数化。我们提出了理论论据来解释我们的框架在非平衡类别的挑战性设置中的效率。使用从真实数据集构建的有向 K-NN 图进行的实验表明，我们的图分区方法在所有情况下均表现良好，并且在大多数情况下优于现有方法。
自旋图中量子纠缠的产生及其鲁棒性
摘要 纠缠是量子信息处理的关键资源，因此需要在各种硬件平台上生成高保真度纠缠态的协议。虽然自旋链已被广泛研究以产生纠缠，但图结构也具有这种潜力；然而，只有几类图被用于这项特定任务。在本文中，我们将一种涉及两种不同耦合强度的特殊耦合方案应用于两个互连的 3×3 方图的图，使得它实际上包含三个缺陷。我们展示了这种结构如何生成贝尔态，其保真度取决于所选的耦合比。我们应用分区图论来降低图的维数，并表明，使用简化图或简化链，我们仍然可以模拟具有相同动态的相同协议。最后，我们研究了制造误差如何影响纠缠生成协议以及不同的等效结构如何受到影响，发现对于某些特定的耦合比，它们非常稳健。
时变图的开放系统量子热力学
在本文中，我们基于图结构的热力学表示，提出了一种新颖的时间演化网络分析方法。我们展示了如何通过将主要结构变化与热力学相变联系起来来表征随时间变化的复杂网络的演化。具体来说，我们推导出许多不同热力学量（特别是能量、熵和温度）的表达式，并用它们来描述网络系统随时间的演化行为。由于现实世界中没有一个系统是真正封闭的，并且与环境的相互作用通常很强，因此我们假设系统具有开放性。我们采用薛定谔图作为量子系统随时间的动态表示。首先，我们使用图结构的最新量子力学表示来计算网络熵，将图拉普拉斯算子连接到密度算子。然后，我们假设系统根据薛定谔表示演化，但我们允许由于与环境相互作用而导致的退相干，模型类似于环境诱导退相干。我们将模型的动态过程分解为（a）未知的时间相关幺正演化加上（b）观察/相互作用过程，从而简化模型，这是系统密度矩阵特征值变化的唯一原因。这使我们能够通过估计负责演化的幺正部分的隐藏时变汉密尔顿量来获得与环境的能量交换度量。利用能量、熵、压力和体积变化之间的热力学关系，我们恢复了热力学温度。我们评估了该方法在代表金融和生物领域复杂系统的真实世界时变网络上的效用。我们还比较和对比了热力学变量（能量、熵、温度和压力）提供的不同特征。研究表明，时变能量算子的估计可以强烈地表征时间演化系统的不同状态，并成功检测到网络演化过程中发生的关键事件。
来宾社论：图形的深神经网络
I. i tratotuction for Graphs（DNNG）代表了一个新兴领域，该领域研究如何将深度学习方法推广到图形结构化数据。由于图是一种功能强大且灵活的工具，可代表模式及其关系形式的复杂信息，从分子到蛋白质到蛋白质相互作用网络，再到社交或运输网络，或者在知识图上，或者在非常不同的范围内建模系统，这些方法已被用于许多应用领域。Since the pioneering works on trees, namely Recursive Neural Networks [1], [2], and directed acyclic graphs [3], [4], up to methods extended to general graphs, both by recursive approaches (namely Graph Neural Networks (GNNs) [5], [6]), or Graph Convolutional Network approaches (namely NN4Gs [7], GCNs, etc.），已经提出了许多用于图的神经模型[8]，[9]。此外，除了纯神经网络范式之外，已经引入了术语深图网络（DGN），还包括基于贝叶斯的和生成的图形网络[9]。特别是在2015年之后，已经引入了更广泛的模型，并且在其各种化身中，DNNG和DGNS已成为图形表示在学习任务中的显着能力（例如节点分类，图形分类，图形分类，图形，图形和链接预测）的强烈研究的话题。目睹了对该领域的兴趣，已经出现了许多调查，例如[8]，[9]和调查文件[8]获得了2024 IEEE TNNLS杰出纸质奖。但是，这一研究和应用领域仍然具有很高的活力且不断增长[10]。的确，DNNG和相关领域的越来越多的作品表明，学术和工业社区对开发更先进的技术和算法的需求仍然相当大，请考虑包含可信赖的
gady：动态图上的无监督异常检测
摘要 - 在动态图上检测到的动态检测旨在与图表中观察到的标准模式及其时间信息相比，识别表现出异常行为的实体。由于其在财务，网络安全和社交网络等各个领域的应用，它引起了越来越多的关注。但是，现有方法面临两个重大挑战：（1）动态结构捕获挑战：如何有效地使用复杂的时间信息捕获图形结构，以及（2）负面采样挑战：如何为无人看管的学习构建高质量的负样本。为了应对这些挑战，我们提出了对动态图（Gady）的生成异常检测。gady是一个连续的动态图模型，可以捕获细粒的时间信息以应对动态结构捕获挑战，从而克服了现有离散方法的局限性。指定，我们建议使用优先级的时间聚集和状态特征来增强动态图编码器以进行异常检测。在第二个挑战中，我们引入了生成对抗网络的新颖使用来产生负面子图。此外，在发电机训练目标中引入了辅助损失功能，以确保同时生成的样品的多样性和质量。广泛的实验表明，我们提出的Gady在三个现实世界数据集上的表现明显优于现状方法。补充实验进一步验证了我们的模型设计的有效性和每个组件的必要性。
分布式模型检查有限的TreeDepth
我们确定在界图中，在界面模型中，每个单声道二阶逻辑（MSO）公式都可以在恒定数量的圆圈中确定。据我们所知，这标志着有关分布式模型检查的第一个元理论。在MSO中表达了图形上各种优化问题。示例包括确定图表是否具有大小的集团，它是否允许颜色的颜色，是否包含图形𝐻作为子图或次要，或者是否可以通过vertex-disewoint路径连接𝐺中的终端顶点。我们的元理论可显着增强Bousquet等人的工作。[PODC 2022]，该[PODC 2022]专注于具有有界TreeDeptth的图形上的MSO的分布式认证。此外，我们的结果可以扩展到求解在MSO中表达的优化和计数问题，并在界面的TreeDeppth图中。
从扩散MRI
结构性脑图通常仅限于定义节点为灰质区域，其边缘会反映在成对节点之间的轴突投影的密度。在这里，我们将脑面膜内的整个体素集成为高分辨率，主题特定图的节点。我们使用扩散张量和从扩散MRI数据得出的扩散张量和分布分布函数来定义局部体素至素连接的强度。我们在人类Connectome项目的数据上研究图形的Laplacian光谱特性。然后，我们通过codrustes验证方案评估Laplacian eigenmodes的受试者间变异性程度。fi-Nelly，我们证明了通过图信号处理的基本解剖结构来塑造功能性MRI数据的程度。图形拉普拉斯特征模式表现出高度分辨的空间pro文件，反映了与主要白色途径相对应的分布模式。我们表明，这种高分辨率图的特征空间的固有维度仅仅是图尺寸的一部分。通过在低频图lapla-cian eigenmodes上投射任务和静止状态数据，我们表明大脑活动可以通过一小部分低频组合的子集很好地近似。所提出的图形开放了研究大脑的新途径，无论是通过图形或光谱图理论探索其组织特性，还是将它们视为在内部层面上观察到大脑功能的脚手架。
符号人工智能讲座2：知识图谱
2 DTD：文档类型定义，定义 SGML 系列标记语言（SGML、XML、HTML）文档类型的标记声明。通过合法元素和属性列表定义 XML 文档的合法组成部分。XSD：XML 模式定义：W3C 建议正式描述 XML 文档中的元素并验证文档中每一项内容 [Lagoze]。具体化：将语句视为资源的能力，从而对该语句做出断言（在 FOL [McCarthy'87,79] 中推理，与出处有关）。