XiaoMi-AI文件搜索系统
World File Search SystemKGC
知识图完成方法基于量子嵌入和四个相互作用增强
知识图（kg）用于人工智能（AI）的许多下游任务。但是，由于与信息提取相关的准确性问题，kg通常是不完整的。这导致了知识图完成（KGC）任务的出现。他们的目的是学习已知事实，以推断三元组中的失踪实体。基于传统的嵌入方法通常仅关注单个三元组的信息，而不使用kg的深层逻辑关系。在这项研究中，我们提出了一种新的KGC方法，称为QIQE-KGC。它使用量子嵌入和四个空间相互作用来捕获kg中三元组之间的外部逻辑关系，并增强单个三重三重实体与关系之间的联系以建模并表示kg。提出的QIQE-KGC模型可以捕获更丰富的逻辑信息，并具有更强大且复杂的关系建模功能。使用QIQE-KGC在11个数据集上使用QIQE-KGC的广泛实验结果表明，该模型可实现出色的性能。与基线模型相比，QIQE-KGC在大多数数据集上产生了最佳结果。
在标准模型中具有更紧凑性的晶格的基于身份的加密
基于身份的加密（IBE）是公共密钥加密的概括，其中公钥可以是任意字符串，例如名称，电话数字或电子邮件地址。用户的秘密密钥只能由可信赖的机构（称为密钥生成中心（KGC））生成，该键将其主秘密密钥应用于用户自身身份验证后用户的身份。Shamir [34]提出了IBE的概念，以简化公共密钥和证书管理。自Boneh和Franklin [10]提出的首次意识到，在过去的二十年中，进行了重大研究[1、7、7、8、12、17、18、21、22、25、36、37]，从不同假设中构建了各种IBE方案。最近，为了预言量子计算机的攻击，量词后加密术，尤其是基于晶格的密码学，成为流行的研究方向。在此过程中，我们专注于基于晶格的ibe。
多态度增强的卷积神经网络用于知识图完成
摘要。知识图完成（KGC，也称为链接预测）旨在预测知识图中的缺失实体和关系（kgs）。知识图嵌入（KGE）技术已被证明对链接预测有效。术语，一系列基于卷积的神经网络（CNN）基于模型（例如，凸出及其扩展模型）已获得了极好的链接预测。但是，尚未同时考虑和增强使用CNN的链接预测重要的几个方面，这显着限制了这些模型的性能。在本文中，我们探讨了一个基于CNN的有效KGE模型。我们调查并发现了四个极大的方面，这些方面对引体具有强大的影响：实体和嵌入式，实体与 - 关系相互作用方法，CNN结构和损失函数。基于上述四个方面的优化，我们提出了一种称为CONVEICF的新型KGE方法。通过广泛的实验，我们发现传达的FB15K-237和WN18RR数据集优于先前的最新链接预测基准。尤其是，ConveICF获得@10分别比FB15K-237和WN18RR数据集的10分的10分和6.5％。此外，通过深入的典范，我们观察到一种有趣的现象，并且重要的是，只要添加掉落操作，就可以在KGE中非常常见的1-N评分技术得到改善。我们的代码可在https://github.com/neu-idke/conveicf上找到。
使用云计算环境中的基于身份的签名
如今，许多数据存储在云中，以共享各个域的共享目的。云数据的越来越多的安全性问题引起了保留这些存储或共享数据的机密性问题。云计算环境中的高级加密和解密技术可被认为可用于实现这一方面。但是，在云数据共享系统中尚未解决但批判性的挑战是撤销恶意用户。撤销的常见方法之一涉及定期更新用户的私钥。这种方法随着用户数量的增加而增加了关键生成中心（KGC）的工作量。在这项工作中，提出了一个有效的基于可撤销的身份签名（RIBS）方案，其中撤销功能被委派给了外部撤销服务器（ERS）。此提出的方案只允许非撤销的用户访问系统资源，从而提供受限制的访问控制。在这里，ERS基于撤销的用户列表生成了签名生成的秘密时间密钥。在提出的方法中，用户使用其私钥和秘密时间密钥来签署消息。此外，为了维持数据机密性，在将数据外包到云服务器之前，使用了基于非对称加密技术的对称加密和椭圆曲线加密（ECC）。结果表明，提出的方案通过提供降低的计算成本来优于某些现有方案。