XiaoMi-AI文件搜索系统
World File Search SystemQOT
使用QKD辅助量子遗漏转移的安全多方生物识别验证
我们介绍了通过基于纠缠的物理层在量子遗漏转移（QOT）启用的安全多方计算应用程序的实际实现。QOT协议使用偏振化编码的纠缠状态在两个方面共享具有量子密钥分布（QKD）的两方之间的遗漏密钥，提供了身份验证。我们的系统集成了QKD和QOT的后处理，既可以共享一个物理层，从而确保有效的密钥生成和身份验证。验证涉及将消息放入加密字母中，验证标签并通过并行QKD管道补充键，该管道可以处理密钥后处理和身份验证。遗忘的密钥在12.9公里以上产生，通道损失为8.47 dB。在背对背设置中，QOT速率为9。3×10 - 3
有效的量子遗漏转移协议
遗忘转移（OT）是保存密码原始的两个重要方面的隐私。ot涉及一个具有多个信息的发件人和一个具有选择位的接收器。选择位代表重新提升者想要作为OT输出获得的信息。在协议末尾，发件人对选择位的遗忘和接收器仍然忽略了未选择的信息的内容。它具有从安全的多方计算，隐私权协议到安全连接的加密协议的应用程序。大多数经典的OT协议都是基于数字理论的基础，这些理论是不是量子安全的，现有的量子OT协议并不那么有效且实用。在此，我们介绍了简单而有效的量子OT协议的设计和分析，即QOT。QOT是通过使用Gao等人提出的不对称键分布而设计的。[18]作为构建基块。设计的QOT仅需要单个光子作为量子状态的来源，并且使用单个粒子射影测量计算状态的测量值。这些使QOT有效且实用。我们提出的设计可抵抗量子攻击。此外，QOT还提供了长期的安全性。
有关使用机器学习以进行光学传输网络中传输估计质量的调查
摘要 - 从源到目的地节点的光信号的传输质量（QOT）是光传输网络中设计工程和服务提供的基石。最近的研究已转向机器学习（ML）技术，以提高QOT估计的准确性。在本文中，我们根据其范围对研究进行了调查，并将研究分为类别。因此，我们区分了基于ML的四类解决方案：i）检查LightPath的可行性，II）估计LightPath的QoT，iii）增强现有的分析模型，iv）改善模型的概括。我们根据ML算法，模型的输入/输出，数据源和性能评估来描述每个类别中提出的解决方案。在实际领域中部署基于ML的解决方案并不直接，并且提出了一些挑战。因此，我们还从操作员的角度讨论了这些解决方案对实地部署的潜力。
6G中值得信赖的深度学习启用了群众自主权
摘要 - 质量自治有望彻底改变广泛的工程，服务和流动性行业。超密集的自主代理之间的协调复杂的沟通需要新的人工智能（AI）在第五代（5G）和第六代（6G）移动网络中实现无线通信服务的管弦乐队。在特定的安全和任务关键任务中，合法需要透明的AI决策过程，以及一系列人类最终用户（消费者，工程师，法律）的量化质量质量质量（QOT）指标。我们概述了6G的值得信赖的自主权的概念，包括基本要素，例如可解释的AI（XAI）如何产生信任的定性和定量方式。我们还提供了与无线电资源管理和相关的关键绩效指标（KPI）集成的XAI测试协议。提出的研究方向将使研究人员能够开始测试现有的AI优化算法，并开发新的算法，认为应该从设计到测试阶段内置信任和透明度。
可用性比较拟人化数字人的健康参与者和基于文本的聊天机器人，以此作为对心理健康问题的响应者：随机对照试验
近年来，增强学习（RL）已成为一种有力的工具，可在光网络（例如路由和波长分配（RWA）[1]等光网络中解决复杂而染色的优化问题[1]，路由，调制和频谱分配（RMSA）[2]以及虚拟网络嵌入[3]。RL实现的性能效果表明其在现实世界中的应用潜力。但是，与其他机器学习（ML）算法类似，RL模型具有黑盒性质，使它们难以解释。这种特征使RL模型难以信任，因此在实际的光网部署中采用。对于监督的ML模型，Shap（Shapley添加说明）[4]是一种可解释的AI方法，已被广泛采用。Shap是一种基于合作游戏理论的方法，用于量化单个特征对模型决策过程的影响。Shap值提供了对每个功能的相对重要性（影响）的见解，从而估算了它们如何对模型的输出做出贡献。将这种解释性框架应用于传播质量（QOT）预测任务时，已显示出有希望的属性[5]。最近，由于需要解释和使RL模型的决策过程透明的驱动，可解释的RL（XRL）受到了越来越多的关注。在光网络的上下文中，XRL的概念仍然相对尚未探索。先前建议通过反向工程网络状态[6]或网络中资源使用分析（链接）来解释和解释RL模型的决策[1，7]。但是，这些研究并未分析不同特征如何影响RL药物的决策。因此，在光网络背景下，RL代理学到的政策仍然存在一段差距。这至关重要，因为网络运营商需要在其在实际网络中部署之前了解RL学习策略背后的推理。在这项工作中，我们旨在利用Shap（Shapley添加说明）[4]来解释应用于RMSA问题的RL模型的行为。为此，我们提出了一种使用训练有素的RL代理的观察和行动来以有监督的学习方式训练ML模型的方法。由Shap使用所得的ML模型来提取解释。与[2]中的RMSA问题的每个组件分别求解，RL代理解决路由问题，基于路径长度的调制格式选择以及基于第一拟合策略的频谱分配。我们分析了该问题的三种变化，改变了奖励函数和选择RL代理的不可行的动作的可能性。我们特别有兴趣解释重要的网络和LightPath请求特征，该特征导致RL模型拒绝该请求。结果允许我们确定哪些功能和哪些值范围影响RL代理接受或拒绝LightPath请求。我们观察到，通过更改奖励功能，RL策略会更改拒绝请求时所考虑的重要功能。引入了防止RL模型采取不可行的措施的掩码，使功能的重要性更加均匀地分布在不同的路由选项上。我们认为，提出的方法对于增加将在真实网络中部署的RL模型的可信度可能是有价值的。