XiaoMi-AI文件搜索系统
World File Search SystemLEMS
任何时间图像生成的嵌套扩散过程
扩散模型是生成时期的当前最新模型，它通过将生成过程分解为许多细粒度的排除步骤，从而综合了高质量的图像。尽管其性能良好，但扩散模型在计算上还是需要许多Neu-ral功能评估（NFES）。在这项工作中，我们提出了一种基于扩散的方法，该方法在完成前在任意时间停止时可以生成可行的图像。使用现有的预处理扩散模型，我们表明可以将生成方案重新组成为两个嵌套扩散过程，从而可以快速迭代的迭代细化。在实验和基于稳定的基于扩散的文本对图像生成的实验中，我们在定性和定量上都表明，我们的方法的相互作用质量大大超过了原始扩散模型的质量，而最后一代结果仍然可比。我们说明了嵌套扩散在多种设置中的适用性，包括用于求解逆概率，以及在整个采样过程中允许用户干预，用于快速基于文本的内容创建。1
![arxiv：2402.12702v2 [cs.ai] 2024年2月26日](/simg/g:\will\search\icon\source\3\328419de55ca4015b4bbfa96eb1075dcfec2dfee.webp)
arxiv：2402.12702v2 [cs.ai] 2024年2月26日
生成人工智能（AI）在包括设计在内的各个方面都表现出了巨大的前景。然而，由于其对资源的需求量很大，因此受到了大型计算基础架构的接受培训，并且通常可作为基于云的服务提供。在该立场论文中，我们考虑了边缘设计生成AI的潜力，挑战和有希望的方法，即在资源约束的设置中，内存，计算，能量（蝙蝠）和网络连接可能受到限制。将生成AI适应此类设置涉及克服重大障碍，主要是在如何简化复杂模型以在低资源环境中有效运行。这需要在模型组合，有效的算法设计中甚至杠杆式计算中的创新方法。目的是利用生成AI在为设计问题上创建定制解决方案的力量，例如医疗干预措施，农业设备维护和教育材料设计，并根据偏远地区的独特约束和需求量身定制。这些努力可以降低对先进技术的访问并促进可持续发展的开发，从而确保普遍的可访问性和对AI驱动的设计优势的环境考虑。
计划 - 索菲：神经符号计划体系结构
近年来，人工智能（AI）的概念引起了人们的关注，基于AI的工具越来越多地融入了我们的日常生活中。随着这一研究的吸引力，中心的一个核心之一是，端到端的机器学习或符号AI方法是否可以导致有效的AI模型，或者是否需要将这些技术集成到协同的系统中。我们相信成为最有希望的整合途径。为此，我们介绍了神经象征性建筑的专业化，即Sofai（慢速和快速AI），灵感来自D. Kahneman的著作“ Thinking，Thinking，Fast and Slow and Slow”的认知框架。我们的系统旨在解决各种场景中的计划问题，并在经典环境中具有特定的效果。计划 - 索菲利用多种计划方法，每种方法具有独特的特征，并将其归类为快速或缓慢的，同时纳入了治理的元认知过程。最后，我们评估了该系统针对最先进的计划的性能，这表明我们的解决速度和计划的最佳性之间的平衡表现出了坚实的平衡。
人工智能与生物信息学
与此同时，人工智能正在研究复杂的现实世界问题，以促进这门科学的发展，并获得其成果的一些可衡量的影响。DENDRAL 项目是一个从质谱数据识别有机化合物的专家系统，是这些努力的首批成果之一 [Lindsay 等人，1993 年]。它引入了有关问题领域的任务特定知识作为启发式方法的来源，并为蛋白质组学研究铺平了道路。二十年后的首批成功之一是 Protean，该系统旨在解释 NMR 数据以确定蛋白质三维结构 [Hayes-Roth 等人，1986 年]。它还启动了使用 Meta-Dendral 开发实际机器学习应用程序，这是一个从（光谱、结构）对中学习 Dendral 所需规则的系统 [Feigenbaum and Buchanan，1993]。请注意，令人惊讶的是，对质谱解释的帮助在生物学中仍然有很高的需求，无论是研究肽、聚糖或各种代谢物等小物体，还是研究较大的分子复合物。这种共同的兴趣并没有随着时间的推移而减少，毫不夸张地说，人工智能的贡献或需求在生物信息学中随处可见。
衡量人机协作过程绩效的建模方法
摘要：尽管算法决策在组织中的应用有增无减，但越来越多的人认为，许多情况仍将需要人类参与其中。然而，正式的机器和有限的人类理性的混合也放大了所谓的局部理性的风险。因此，设计出全面评估绩效的方法至关重要，尤其是在算法决策所特有的数据丰富的环境中。在本文中，我们提出了一个基于模拟的模型，以解决目前在更广泛的组织背景下量化算法干预的研究不足的问题。我们的方法允许将因果建模和数据科学算法结合起来，以表示涉及机器和人类理性混合的决策设置，以衡量绩效。作为试验台，我们考虑了一个虚构公司试图借助机器学习方法改进其预测过程的案例。这个例子表明，短视的评估掩盖了只有更广泛的框架才能揭示的问题。它强调了系统观的价值，因为人类和算法决策之间的相互作用可能在很大程度上是非直观的。这种基于模拟的方法可以成为一种有效的工具，用于在混合环境中描绘人类和算法的角色。
最初发表于：Eckhardt, Sven；Sprenkamp, Kilian；Zavolokina, Liudmila；Bauer, Ingrid；Schwabe, Gerhard (2022)。人工智能能否帮助二手车经销商在数据驱动的二手车市场中生存？在：DESRIST 2022：第 17 届信息系统和技术设计科学研究国际会议，美国佛罗里达州圣彼得堡，2022 年 6 月 1 日至 2022 年 6 月 3 日，南佛罗里达大学。DOI：https://doi.org/10.1007/978-3-031-06516-3_9
摘要。二手车市场以不可信和不正当而闻名。经认证的数据已被证明有助于缓解信息不对称，这是不可信市场的主要因素之一。近年来，越来越多的二手车经销商在这个竞争激烈的数据驱动市场中难以生存。在本研究中，我们对二手车经销商进行了 12 次采访，并与瑞士最大的汽车公司之一 AMAG 集团的员工和高管举行了几次会议和研讨会。这让我们深入了解了二手车经销商当前的问题以及人工智能如何提供帮助。这些问题可以归结为高交易成本问题及其子类别。在利用人工智能降低交易成本的过程中，出现了新的次要问题。人们需要信任证书、分析和预测。此外，数据和分析需要透明和可理解，并且必须解决隐私问题。这项研究的意义是多方面的。首先，我们定义二手车市场上二手车经销商面临的问题，并介绍人工智能方法在当前数据驱动的二手车市场的应用。随后，我们强调人工智能需要遵循以人为本的视角，并以信任为设计理念。
使用高效近似量子傅里叶变换的 Shor 算法...
1.引言 A.背景 对Shor算法[1]的评估非常重要。Shor算法是一种解决整数分解和离散对数问题的方法，这些问题在经典计算机中需要亚指数时间[2]。这些问题是当前公钥密码体制安全性的基本问题，包括RSA密码体制[3]和椭圆曲线密码体制[4]，[5]。目前，量子计算机的规模对于破解这两个公钥密码体制[6]，[7]，[8]，[9]，[10]，[11]来说是相当小的。然而，量子计算机的规模正在增加[12]，估计Shor算法破解这两个公钥密码体制的时间非常重要。为了估计Shor算法破解当前公钥密码体制的时间，对Shor算法的精确评估非常重要。本文讨论单台量子计算机上的 Shor 算法。如果有两台以上的计算机，最近提出的分布式 Shor 算法 [13] 将降低计算成本。我们的结果将能够与该结果相结合，本文考虑单台量子计算机。本文重点讨论 Shor 算法对 n 位合数 N 进行因式分解。
单粒子数字化策略用于$ \ phi ^4 $标量场理论的量子计算
已经投入了很大的努力来研究量子化学方面的概率[1-4]，冷凝物理学[5-7]，宇宙学[8-10]，以及高能和核物理学[11-16]，具有数字量子计算机和模拟量子模拟器[17-22]。一个主要的动机是加深我们对密切相关的多体系统（例如结合状态频谱）的基础特性传统特征的传统特征的理解。另一个是在散射问题中推进最新技术的状态，该问题提供了有关此类复杂系统的动态信息。在这项工作中，我们的重点将放在相对论量子领域理论中用于高能散射和多颗粒产生的量子算法的问题。我们的工作是在量子铬动力学（QCD）中提取有关Hadron和Nuclei的性能的动态信息的有前途但遥远的目标。Examples of scattering problems in QCD where quantum information science can accelerate our present computational capabilities are low-energy scattering in nuclear many-body systems [ 23 , 24 ], the thermalization process in ultrarelativistic ion-ion collisions [ 25 ], studies of the structure of nuclear matter probed in deeply inelastic scattering (DIS) of elec- trons off protons and nuclei [ 26 – 33 ], and the fragmentation of
基于 PKP 的签名方案 - COSIC - 鲁汶天主教大学
后量子密码体制通常是量子安全方案或整数分解问题。虽然目前还不清楚大规模量子计算何时可行，但预测量子计算并设计新的能够抵御量子攻击的公钥密码体制还是很重要的。因此，目前正在进行大量研究以开发新的后量子安全方案，美国国家标准与技术研究所 ( https://www.nist.gov/ ) 已经启动了后量子密码标准化进程。正因为如此，人们对通过将 Fiat-Shamir 变换 [9] 应用于零知识识别方案来构建签名方案重新产生了兴趣。特别是，我们对后量子密码体制感兴趣，它的安全性依赖于某些 NP-Hard 问题的量子难度 [2]。其中一个问题是置换核问题：即找到已知向量的置换，使得结果向量位于给定矩阵的核中。这是一个经典的 NP-Hard 组合问题，只需要一些简单的操作，例如基本线性代数和对向量元素进行排列。很长一段时间以来，没有发现针对 PKP 的新攻击，这使得我们可以自信地估计该问题的具体难度。
竞争性编程人工智能的实证评估
摘要 —AlphaCode 是一个代码生成系统，用于帮助软件开发人员使用自然语言问题描述解决竞争性编程问题。尽管代码生成系统具有诸多优势，但开源社区仍对实用性和数据许可表示担忧。但是，尚无研究从代码克隆和性能方面调查生成的代码。在本文中，我们进行了实证研究，以发现 AlphaCode 生成的代码与人类代码之间的代码相似性和性能差异。结果表明：(i) AlphaCode 生成的代码与人类代码相似（即平均最大相似度得分为 0.56），(ii) 生成的代码在执行时间和内存使用方面的表现与人类代码相当或更差。此外，对于低难度问题，AlphaCode 倾向于生成与人类更相似的代码（即四种情况具有完全相同的代码）。对于高难度问题，它还采用了过多的嵌套循环和不必要的变量声明，这导致我们的手动调查性能低下。复制包可在 https:/doi.org/10.5281/zenodo.6820681 获得索引术语 — 代码生成、代码相似性、代码性能