XiaoMi-AI文件搜索系统
World File Search SystemPerformant
基于深度学习的恶意软件检测的自动化机器学习
深度学习（DL）已被证明在检测不断发展的复杂恶意软件方面具有有效性。，尽管深度学习减轻了功能工程问题，从而找到了最佳的DL模型的体系结构和一组超参数，但仍然是一个需要领域专业知识的挑战。此外，许多提出的最新模型非常复杂，可能不是不同数据集的最佳选择。一种有希望的方法，即自动化机器学习（AUTOML），可以通过自动化ML管道密钥组件（即超参数优化和神经架构搜索（NAS））来减少开发自定义DL模型所需的域专业知识。Automl减少了设计DL模型所涉及的人类反复试验的数量，在最近的实现中，可以找到具有相对较低计算开销的新模型体系结构。对使用汽车进行恶意软件检测的可行性的研究非常有限。这项工作提供了全面的分析和有关将AUTOML用于静态和在线恶意软件检测的见解。对于静态，我们的分析是在两个广泛使用的恶意软件数据集上进行的：Sorel-20m，以在大型数据集上演示效率；和Ember-2018，这是一个较小的数据集，该数据集特定于策划，以阻碍机器学习模型的性能。此外，我们还显示了调整NAS过程参数的效果，以在这些静态分析数据集中找到更佳的恶意软件检测模型。此外，我们还证明了Automl是在线恶意软件检测方案中使用卷积神经网络（CNN）的云IAAS的表现。我们使用新生成的在线恶意软件数据集将AutoML技术与六个现有的最先进的CNN进行了比较，而在恶意软件执行期间，有或没有其他应用程序在后台运行。我们表明，与最先进的CNN相比，汽车技术的性能更高，而在架构上很少有开销。一般而言，我们的实验结果表明，基于汽车的静态和在线恶意软件检测模型的性能比文献中介绍的最先进的模型或手工设计的模型在标准杆上甚至更好。
对抗性人工智能在自治时代欺骗算法
1. 规避：修改输入以影响模型的攻击，例如对图像进行修改以影响分类。此技术可用于规避模型在下游任务中正确分类情况。2. 模型中毒：对手可以训练性能良好的机器学习模型，但包含后门，当输入包含对手定义的触发器的输入时，会产生推理错误。可在推理时利用此后门模型进行规避攻击。3. 训练数据：修改训练数据的攻击会添加另一个后门，例如，训练数据中不可察觉的模式会创建可以控制模型输出的后门。4. 提取：窃取专有模型的攻击，例如，攻击可以定期对模型发起查询，以提取有价值的信息来揭示其属性。5. 推理：获取有关私人数据的信息的攻击，例如，攻击。
![arXiv:2309.05558v2 [quant-ph] 2024 年 9 月 24 日](/simg/g:\will\search\icon\source\b\b946b92fd0ba5b662899eca771c72eba2e1f0996.webp)
arXiv:2309.05558v2 [quant-ph] 2024 年 9 月 24 日
为了充分发挥量子计算机的潜力，必须谨慎管理噪声对量子比特性能的影响。负责诊断噪声引起的计算错误的解码器必须高效利用资源，以便扩展到大量子比特数和低温操作。此外，它们必须快速运行，以避免量子计算机的逻辑时钟速率呈指数级下降。为了克服这些挑战，我们引入了碰撞聚类解码器，并在 FPGA 和 ASIC 硬件上实现它。我们使用领先的量子纠错方案表面代码模拟逻辑内存实验，并展示 MHz 解码速度——符合超导量子比特等快速操作模式的要求——FPGA 和 ASIC 分别高达 881 和 1057 个量子比特表面代码。ASIC 设计占用 0.06mm2，仅消耗 8mW 功率。我们的解码器性能高，资源高效，为实际实现容错量子计算机开辟了一条可行的途径。
简单有效的掩蔽扩散语言模型
虽然扩散模型擅长生成高质量图像，但先前的研究报告称，在语言建模中，扩散和自回归 (AR) 方法之间存在显著的性能差距。在这项工作中，我们表明简单的掩蔽离散扩散比以前认为的更有效。我们应用了一种有效的训练方法，可以提高掩蔽扩散模型的性能，并推导出一个简化的 Rao-Blackwellized 目标，从而带来额外的改进。我们的目标形式简单——它是经典掩蔽语言建模损失的混合——可用于训练仅编码器的语言模型，这些模型可以接受高效的采样器，包括可以像传统语言模型一样半自回归生成任意长度文本的采样器。在语言建模基准上，一系列使用现代工程实践训练的掩蔽扩散模型在扩散模型中达到了新的最先进水平，并接近 AR 困惑度。我们在项目页面上提供了代码 1 以及博客文章和视频教程 2：
igflow：从头抗体设计的流匹配
在这项工作中，我们提出了IGFlow，这是抗体结构从头设计的SE（3）流量匹配模型。我们专注于生成抗体的新型可变结构域区域，并评估模型在1）无条件重链和轻链生成以及2）互补性确定区域（CDRS）的框架条件循环设计。我们的结果表明，IgFlow生成的抗体在结构上与自然观察到的抗体相似。我们将我们的方法与IGDIFF进行了比较，IGDIFF是一种无条件变量域生成的SE（3） - 扩散模型，在可设计性上。此外，我们在抗体设计中通常遇到的两个有条件的CDR介入任务上对IGFLOW和IGDIFF进行了基准测试。我们发现，Igdiff和Igflow在无条件设计抗体时都表现出色，并且IGFlow有条件地设计具有比IGDIFF更高自符合性的完整CDR循环。总体而言，我们的方法为抗体生成提供了另一种方法，具有其他计算益处，包括样本数据效率和推理速度。
对苹果的iMessage PQ3协议的正式分析
我们介绍了Apple的Imessage PQ3的正式验证，这是一种高性能，设备到设备的消息传递协议，即使对具有量子计算功能的对手，也提供了强大的安全保证。PQ3利用苹果的身份服务以及定制的，量子后安全的初始化阶段，之后它采用信号风格的双棘轮构造，扩展以提供量子后，后弹力后的安全性。我们提出了PQ3的详细正式模型，它是其细粒度安全属性的精确规格，并使用T amarin Prover进行了机器检查的安全性证明。特别是新颖的是将量子后安全键的整合到相关协议阶段以及详细的安全要求以及其完整的正式分析中。我们的分析涵盖了两个关键棘轮，包括无界循环，某些循环被认为是诸如T amarin这样的符号掠夺的范围（不是！）。
sbmltoolkit.jl：用于将SBML导入SCIML生态系统
摘要：朱莉娅是一种通用编程语言，旨在简化和加速数值分析和计算科学。尤其是朱莉娅软件包的科学机器学习（SCIML）生态系统包括用于高性能符号数量计算的框架。它允许用户使用符号预处理和自动sparsifient和计算并行化来自动增强其模型的高级描述。此功能可以对微分方程，有效的参数估计以及具有神经微分方程的自动化模型发现的有效参数估计以及非线性动力学的稀疏识别。为了使系统生物学社区轻松访问SCIML，我们开发了sbmltoolkit.jl。sbmltoolkit.jl将动态SBML模型导入SCIML生态系统，以加速模型模拟和动力学参数的拟合。通过为计算系统生物学家提供容易访问开源的朱莉娅Ecosystevnm，我们希望能够促进该领域中进一步的朱莉娅工具的开发以及朱莉娅生物科学界的增长。sbmltoolkit.jl可根据麻省理工学院许可免费获得。源代码可在https://github.com/sciml/sbmltoolkit.jl上获得。
sbmltoolkit.jl：用于将SBML导入SCIML生态系统
摘要：朱莉娅是一种通用编程语言，旨在简化和加速数值分析和计算科学。尤其是朱莉娅软件包的科学机器学习（SCIML）生态系统包括用于高性能符号数量计算的框架。它允许用户使用符号预处理和自动sparsifient和计算并行化来自动增强其模型的高级描述。此功能可以对微分方程，有效的参数估计以及具有神经微分方程的自动化模型发现的有效参数估计以及非线性动力学的稀疏识别。为了使系统生物学社区轻松访问SCIML，我们开发了sbmltoolkit.jl。sbmltoolkit.jl将动态SBML模型导入SCIML生态系统，以加速模型模拟和动力学参数的拟合。通过为计算系统生物学家提供容易访问开源的朱莉娅Ecosystevnm，我们希望能够促进该领域中进一步的朱莉娅工具的开发以及朱莉娅生物科学界的增长。sbmltoolkit.jl可根据麻省理工学院许可免费获得。源代码可在https://github.com/sciml/sbmltoolkit.jl上获得。
运行容器化的麦克罗服务。pdf
在微服务体系结构中，软件由小型独立服务组成，这些服务通过良好的API进行通信。这些小组件被划分，以便每个组件都做一件事，并且在合作提供全功能的应用程序的同时做得很好。可以与1980年代流行的Walkman Portable Audio Cassette播放器进行类比：电池带来了电源，音频磁带是中型，耳机传递输出，而主磁带播放器则通过钥匙按键输入。一起播放音乐。同样，需要将微服务解耦，并且每个都应专注于一个功能。此外，微服务体系结构允许更换或升级。使用Walkman类比，如果戴耳机磨损，则可以更换它们而无需更换磁带播放器。如果我们的商店保存应用程序中的订单管理服务落后并且性能太慢，则可以将其交换为更具性能，更简化的组件。这样的排列不会影响系统中的其他微服务。
金属材料中错位密度的实验测量：测量技术之间的定量比较（XRD，R-ECCI，HR-EBSD，TEM）
脱位密度。那些不同的方法不观察到相同类型的位错，即统计存储的位错（SSD）和/或几何必需的脱位（GND）。有些是直接测量技术，例如ECCI和TEM成像，而其他是非方向方法，即HR-EBSD和XRD测量。因此，提出了使用这四种技术在未变形和变形的双链钢上获得的测量值的定量比较。对于低变形，位错密度很小（成像方法相当性能，而XRD 1- 5×10 13 m - 2），测量值的不确定性水平高。HR-EBSD测量结果表明，结果与这些变形水平的其他方法非常吻合。对于较高的变形水平（上面的脱位密度），成像方法不再相关，因此1 - 3×10 14 m - 2