XiaoMi-AI文件搜索系统
World File Search SystemHaar
关于常见 Haar 状态模型的注释
在经典密码学中，引入了公共随机串和公共参考串模型来解决在普通模型中无法实现的密码任务。在公共参考串模型中，有一个可信设置，它会生成一个各方都可以访问的字符串。在公共随机串模型中，所有参与方可用的公共字符串是均匀随机采样的，从而避免了对可信设置的需要。因此，公共随机串模型是两者中更理想的模型。多年来，人们针对这两个模型提出了许多构造，包括非交互式零知识 [ BFM19 ]、通用组合下的安全计算 [ CF01 ；CLOS02 ] 和两轮安全计算 [ GS22 ；BL18 ]。研究量子密码协议的类似模型是值得的。在这种情况下，可以选择定义本质上是量子的模型。例如，我们可以定义一个模型，其中一个可信设置产生一个量子态，并且参与密码系统的每一方都会收到一个或多个该量子态的副本。事实上，Morimae、Nehoran 和 Yamakawa [ MNY23 ] 和 Qian [ Qia23 ] 的两篇作品都考虑了这种模型，称为通用量子参考弦模型 (CQRS)。他们提出了在这个模型中的无条件安全承诺。量子承诺是量子密码学的一个基础概念。近年来，量子承诺因其对安全计算的意义 [ BCKM21；GLSV21 ] 而得到了广泛的研究 [ AQY22；MY21；AGQY22；MY23；BCQ22；Bra23 ]。在普通模型中不可能实现信息理论上安全的承诺 [ LC97；May97；CLM23 ]，这一事实使得 [ MNY23；Qia23 ] 的贡献相当有趣。虽然 CQRS 是公共参考弦模型的量子类似物，但我们可以问是否存在公共随机弦模型的量子类似物。Chen、Coladangelo 和 Sattath [ CCS24 ]（以下简称 CCS）最近独立并同时进行的一项工作引入了一个模型，称为公共 Haar 随机状态模型 (CHRS)。在这个模型中，系统中的每个参与方都会收到许多 iid Haar 状态的多个副本。他们在这个模型中提出了伪随机性和承诺的构造。我们工作的目标是进一步研究这个模型。
与无荡险密码学的应用同时无法区分性
无统治的密码学关注的是利用无关原则来构建否则不可能实现经典实现的加密原则。理解不统治的加密的可行性，这是一个关键的不统一的基础之一，满足普通模型中无法区分的安全性是该地区的一个主要开放问题。到目前为止，无统治加密的现有构造要么在量子随机甲骨文模型中，要么基于新的猜想。我们提出了一种新的方法来通过简化有关非本地量子状态歧视的新奇问题来进行无统治的加密方法：非沟通（但纠结）的玩家如何区分不同的分布而不是量子状态？我们将此任务同时称为状态。我们的主要技术结果表明，玩家无法区分每个接收独立选择的HAAR随机状态与所有接收相同HAAR随机状态的玩家。我们利用此结果在平原模型中使用量子解密密钥的首次构建不可吻合的加密可满足不合格性的安全性。我们还对单分隔符的加密和泄漏 - 弹性的秘密共享显示了其他影响。
量子信息中的 Haar 测度工具介绍
Haar 测度在量子信息中起着至关重要的作用，但其研究通常需要对表示理论有深入的理解，这对初学者来说是一个挑战。本教程旨在提供量子信息中 Haar 测度工具的基本介绍，仅利用线性代数的基本知识，旨在使该主题更容易理解。本教程首先介绍 Haar 测度，特别强调刻画矩算子，这是计算 Haar 测度积分的基本元素。它还涵盖了对称子空间的属性，并介绍了张量网络图解符号等有用工具，有助于可视化和简化计算。接下来，本教程探讨了幺正设计的概念，提供了等效定义，随后探讨了幺正设计的近似概念，阐明了这些不同概念之间的关系。并说明了 Haar 测度计算的实际例子，包括众所周知的公式的推导，例如量子通道的旋转。最后，本教程展示了 Haar 测度计算在量子机器学习和经典阴影层析成像中的应用。
与无荡险密码学的应用同时无法区分性
我们研究了一个关于非本地量子状态歧视的新颖问题：非沟通（但纠缠）的玩家如何区分量子状态的不同分布？我们将此任务同时称为状态。我们的主要技术结果是证明玩家无法区分每个受独立选择的HAAR随机状态与所有接收相同HAAR随机状态的玩家。我们表明，这个问题对不元在一起的密码学具有意义，该密码学利用了无关的原则来构建在经典上无法实现的加密原则。理解不统治的加密的可行性，这是一个关键的不统一的基础之一，满足普通模型中无法区分的安全性是该地区的一个主要开放问题。到目前为止，无统治加密的现有构造要么在量子随机甲骨文模型中，要么基于新的猜想。我们利用我们的主要结果来介绍在平原模型中使用量子解密密钥的不可区分性安全性的首次构建。我们还对单分隔符的加密和泄漏 - 弹性的秘密共享显示了其他影响。这些应用提供了证据，表明同时无法区分性可能在量子密码学上有用。
基于3D HAAR半紧密框架的多式图形学习用于学生参与预测
随着多模式教育数据的可用性的增加，越来越需要有效整合和利用多个数据源以提高学生参与预测的准确性。在这项工作中，我们提出了一个结合多模式数据的框架，包括反映学生个性，他们的人口统计信息，他们的学习行为和注意力以及图形学习技巧的视觉，文本和声学方式。具体而言，开发了3D HAAR半密度框架变换，以捕获模式间关系并建模多模式数据中的复杂相互作用。随后，我们基于多模式数据的光谱引入了一个新型的自适应图结构学习模块，该模块通过自适应权衡其影响来考虑低通和高通帧系数的独特贡献。通过解决标准的半监督节点分类问题，我们成功地实现了学生参与预测的目标。对现实世界教育数据集的实验评估证明了拟议方法的有效性，与最新方法相比，实现了卓越的性能。我们的实验研究表明，多模式图学习在准确预测学生参与度及其增强教育结果的潜力中的重要性。
使用基于块的 Haar 小波变换和 COVIDOA 压缩用于 IoMT 系统的生物信号
摘要：背景：生物信号是智能医疗系统诊断和治疗常见疾病所需的基本数据。然而，医疗系统需要处理和分析的信号量非常大。处理如此大量的数据会带来很多困难，例如需要很高的存储和传输能力。此外，在应用压缩时，保留输入信号中最有用的临床信息至关重要。方法：本文提出了一种用于 IoMT 应用的生物信号高效压缩算法。该算法使用基于块的 HWT 提取输入信号的特征，然后使用新颖的 COVIDOA 选择最重要的特征进行重建。结果：我们使用两个不同的公共数据集进行评估：MIT-BIH 心律失常和 EEG 运动/意象，分别用于 ECG 和 EEG 信号。所提算法的 CR、PRD、NCC 和 QS 平均值分别为 ECG 信号的 18.06、0.2470、0.9467 和 85.366，EEG 信号的 12.6668、0.4014、0.9187 和 32.4809。此外，所提算法在处理时间方面比其他现有技术更高效。结论：实验表明，与现有技术相比，所提方法成功实现了高 CR，同时保持了出色的信号重建水平，并且处理时间更短。
将基因组生物标志物结合起来指导非小细胞肺癌Joris van de haar 1,2,3，Joanne M. Mankor 4，Karlijn Hummelink 5
摘要◥目的：在非小细胞肺癌（NSCLC）中指导免疫检查点阻断（ICB）治疗的STK11，KEAP1和EGFR改变的临床值仍然有争议，因为一些拟议的抗药性生物标志物显示出耐用的ICB反应。这种疾病迫切需要更多特定的组合生物标志物方法。ExperimentalDesign: Todevelopacombinatorialbiomarkerstra- tegy with increased speci fi city for ICB unresponsiveness in NSCLC, we performed a comprehensive analysis of 254 patients with NSCLC treated with ligand programmed death-ligand 1 (PD-L1) blockade monotherapy, including a discovery cohort of 75 patients subjected to whole-genome sequencing (WGS), and独立的验证队列，由169名患者进行肿瘤非正式面板序列。在低（<10 muts / mb）或高（≥10cuts / mb）肿瘤突变负担（TMB）的背景下，评估了STK11 / KEAP1 / EGFR改变的特定级别的ICB反应性。
![arxiv：2307.08956v1 [Quant-ph] 18 Jul 2023](/simg/g:\will\search\icon\source\e\eee8adea019c8568370a66f30690f05b3cb0fd7f.webp)
arxiv：2307.08956v1 [Quant-ph] 18 Jul 2023
HAAR度量在量子信息中起着至关重要的作用，但是其研究经常对表示理论有深刻的了解，对初学者提出了挑战。本教程旨在为量子信息中的HAAR测量工具提供基本介绍，仅利用线性代数的基本知识，因此旨在使该主题更容易访问。教程首先引入HAAR度量，其特定重点是表征瞬间运算符，这是计算HAAR度量集成体的重要元素。它还涵盖了对称子空间的属性，并引入了有用的工具，例如张量网络图表符号，有助于可视化和简化计算。接下来，本教程探讨了统一设计的概念，提供了同等的定义，并随后探讨了统一设计的近似概念，从而阐明了这些不同概念之间的关系。说明了HAAR测量计算的实际示例，包括众所周知的公式的推导，例如量子通道的旋转。最后，教程展示了HAAR测量计算在量子机学习和经典影子断层扫描中的应用。
随机量子电路中测量诱导跃迁的临界特性
我们用数值方法研究了 1 + 1 维 Haar 随机量子电路的测量驱动量子相变。通过分析三部分互信息，我们可以精确估计临界测量率 pc = 0.17(1)。我们提取了相关体积临界指数的估计值，这些估计值与渗透的值以及稳定器电路的值一致，但与之前对 Haar 随机情况的估计值不同。我们对表面序参量指数的估计似乎与稳定器电路或渗透的估计值不同，但我们不能明确排除这三种情况下所有指数都匹配的情况。此外，在 Haar 情况下，纠缠熵 S n 的前因子强烈依赖于 R´enyi 指数 n；对于稳定器电路和渗透，这种依赖性不存在。稳定器电路的结果用于指导我们的研究并识别具有弱有限尺寸效应的措施。我们讨论了我们的数值估计如何限制过渡理论。
随机量子电路中测量诱导跃迁的临界特性
我们用数值方法研究了 1 + 1 维 Haar 随机量子电路的测量驱动量子相变。通过分析三部分互信息，我们能够精确估计临界测量率 pc = 0 . 17(1)。我们提取了与渗透值以及稳定器电路值一致的相关体积临界指数的估计值，但与 Haar 随机情况的先前估计值不同。我们对表面序参数指数的估计似乎与稳定器电路或渗透的估计值不同，但我们不能明确排除三种情况下所有指数都匹配的情况。此外，在 Haar 情况下，纠缠熵 S n 的前因子强烈依赖于 Rényi 指数 n ；对于稳定器电路和渗透，这种依赖性不存在。稳定器电路的结果用于指导我们的研究并识别具有弱有限尺寸效应的度量。我们讨论了我们的数值估计如何限制转变理论。