XiaoMi-AI文件搜索系统
World File Search SystemSitive
用于多尺度材料工程的均聚物的受控共价自组装
自组装在自然和材料科学中起着至关重要的作用。[1] 在自然界中，生物分子自组装成细胞器，细胞器进一步组织成细胞和多细胞生物体。同样，自组装也用于材料合成，将小的独立单元组织成越来越复杂的结构和材料。[2–4] 一种特别流行的分子单元是聚合物，它已用于制造纳米颗粒、纤维和水凝胶等结构。[5–9] 这些材料虽然在许多领域（特别是在生物医学应用）中都至关重要，但却具有根本的局限性：当前的方法仅报告通过弱非共价相互作用（如疏水、静电或 π-π 堆积相互作用和氢键）进行的聚合物自组装，[1] 这些相互作用都对环境条件（如溶剂极性、温度、离子强度、pH 值和共溶质）极其敏感。此外，
电荷耦合器件 (CCD) 图像传感器的工作原理
1969 年，伊拉德·博伊尔和乔治·E·史密斯在美国 AT&T 贝尔实验室发明了电荷耦合器件 (CCD)。1970 年，博伊尔和史密斯向《贝尔系统技术期刊》提交了一篇关于他们发明 CCD 的论文。他们最初的想法是制造一个存储设备。然而，随着 1970 年博伊尔和史密斯的研究成果发表，其他科学家开始在一系列应用中试验这项技术。天文学家发现，他们可以生成远处物体的高分辨率图像，因为 CCD 的光敏性比胶片高一百倍。电荷耦合器件是一种高灵敏度的光子探测器。CCD 被分成大量对光敏感的小区域（称为像素），可用于构建感兴趣场景的图像。落在
![arxiv：2308.09552v4 [cs.cr] 2024年4月9日](/simg/b\be0de935e4df45ccd7ba202849bcb176b1dedd48.webp)
arxiv：2308.09552v4 [cs.cr] 2024年4月9日
摘要。机器学习的成功（ML）伴随着对其可信度的越来越关注。几个司法管辖区正在准备ML监管框架。这样的问题是确保模型培训数据具有某些敏感属性的理想分布特性。例如，法规草案表明，模型培训师必须表明培训数据集具有特定的分散特性，例如反映人口的多样性。我们提出了ML属性证明的新颖概念，允许供奉献者（例如，模型培训师）证明ML模型与验证者（例如客户）的相关属性，同时保留了Sensifive数据的机密性。我们关注培训数据的分布性能的证明，而无需透露数据。我们提出了将特性推断与加密机制相结合的有效混合属性证明。3
公法 117–260 第 117 届国会法案
第 2 节 调查结果；国会的看法 (a) 调查结果——国会发现： (1) 密码学对于美国国家安全和美国经济运转至关重要。 (2) 当今最广泛使用的加密协议依靠传统计算机的计算极限来提供网络安全。 (3) 量子计算机有朝一日可能有能力突破计算界限，让我们能够解决迄今为止一直难以解决的问题，比如对加密很重要的整数分解。 (4) 量子计算的快速发展表明，美国的对手有可能使用传统计算机窃取敏感的加密数据，并等到足够强大的量子系统出现来解密。 (b) 国会的看法——国会的看法是： (1) 需要制定一项联邦政府信息技术向后量子密码学迁移的战略； （2）政府和行业对后量子密码学的方法应该优先开发应用程序、硬件知识产权和可以轻松更新以支持加密灵活性的软件。
网络安全教育计划的游戏化案例研究：密码学的游戏
摘要 - 技术的积累，越来越多的信息数据以及加剧的全球紧张局势增加了对熟练的网络安全专业人员的需求。尽管最近对网络安全教育的关注增加了，但传统方法仍未与快速发展的网络威胁格局保持同步。挑战，例如缺乏合格的教育者和资源密集的实践培训加剧了这些问题。游戏化提供了一种创新的方法来提供实用的动手体验，并为教育工作者提供了最新且易于使用的教学工具，这些工具针对特定于行业的概念。本文始于对本领域已经采用的网络安全教育和游戏化方法中现有挑战的文献进行回顾，然后介绍了对游戏化密码学教学工具的真实案例研究。本文讨论了此工具的设计，开发过程和预期用例。这项研究强调了一个示例，说明如何将游戏化整合到课程中可以解决关键的教育差距，从而确保对未来的网络安全人才的更强大，更有效的管道。索引术语 - 软件工程，网络安全，教育，游戏化，密码
TARA：AI 公平性和领域泛化的训练和表示调整 William Paul 1、Armin Hadzic 1、Neil Joshi 1、Fady Alajaji 2、Philippe Burlina 1、3 1 约翰霍普金斯大学应用物理实验室 11100 Johns Hopkins Rd, Laurel, MD 20723, USA firstname.lastname@jhuapl.edu 2 数学与统计系 加拿大安大略省皇后大学 K7L 3N6 fa@queensu.ca 3 约翰霍普金斯大学计算机科学系 3400 N. Charles Street Baltimore, MD 21218
我们提出了一种针对受保护或敏感因素实施 AI 公平性的新方法。该方法使用双重策略执行训练和表示改变 (TARA) 来缓解 AI 偏见的主要原因，包括：a) 通过对抗独立性使用表示学习改变来抑制数据表示对受保护因素的偏见依赖性；以及 b) 通过智能增强改变训练集以解决引起偏见的数据不平衡，通过使用生成模型，允许通过领域适应和潜在空间操纵对与代表性不足的人群相关的敏感因素进行精细控制。在图像分析上测试我们的方法时，实验表明 TARA 显著或完全消除了基线模型的偏差，同时优于具有相同信息量的其他竞争性消除偏差方法，例如，对于 Eye-PACS，(% 总体准确度，% 准确度差距) = (78.8, 0.5) vs. 基线方法的得分 (71.8, 10.5)，对于 CelebA，(73.7, 11.8) vs. (69.1, 21.7)。此外，认识到当前用于评估消除偏差性能的指标的某些局限性，我们提出了新颖的联合消除偏差指标。我们的实验还证明了这些新指标在评估所提出方法的帕累托效率方面的能力。
欧洲核子研究中心 CLEAR 加速器上 200MeV 电子在目标上产生的辐射场分析
摘要 — 高能电子与物质相互作用产生的辐射簇射包括能量分布峰值为 MeV 级的中子，这些中子是通过光核反应产生的，可以测量电子设备中中子诱导的单粒子效应 (SEE)。在这项工作中，我们研究了一种装置，其中欧洲核子研究中心 [Centre Européen pour la Recherche Nucléaire (CERN)] 的 CLEAR 加速器的 200 MeV 电子束被引导到铝靶上以产生具有大中子分量的辐射场。通过测量特性良好的静态随机存取存储器 (SRAM) 中的单粒子翻转 (SEU) 和闩锁率以及被动式无线电光致发光 (RPL) 剂量计中的总电离剂量 (TID)，并将结果与 FLUKA 模拟的预测进行比较，对由此产生的环境进行了分析。我们发现，用铅制成的横向屏蔽可保护 SRAM 免受过高的 TID 率影响，从而为 SEU 测量提供最佳配置，尤其是在对 MeV 级中子高度敏感的 SRAM 中。相对于基于散裂靶或放射源的标准中子设施，此设置提供了一种有趣的补充中子源。
衰减加速因子保护人类肿瘤细胞
Diaialoganglioside GD2在包括神经母细胞瘤和黑色素瘤在内的各种人类肿瘤类型中表达。3F8结合后，对GD2的鼠单克隆抗体（MAB），神经母细胞瘤和某些黑色素瘤对通过人的补体杀死很敏感，而某些甲虫则不是。研究了补体介导的细胞毒性中这些差异的基础机制，将补体不敏感的黑色素瘤细胞系与衰减加速因子（DAF）的表达进行了比较，衰减加速因子（DAF），一种膜调节蛋白，一种保护血细胞，可保护血液细胞免受自动补体攻击。虽然DAF在神经母细胞瘤中是无法检测的，但它以补充不敏感的素瘤存在。当DAF的功能被抗DAF MAB阻断时，C3的摄取和补体介导的液位黑色素瘤系的裂解显着增强。f（ab'）2个碎片在增强裂解方面与完整的抗DAF mAb一样有效。DAF阴性和DAF阳性黑色素瘤细胞系对Cobra毒液因子处理的血清对被动裂解具有相当抗性。数据表明，在某些肿瘤中，DAF活动解释了它们对涉及杀害的抵抗力。通过阻止DAF功能来使这些细胞对这些细胞的敏感性的能力可能暗示免疫疗法。
dcase 2024声音事件本地化和检测挑战
声音事件的定位和检测（SELD）任务包括对不同类型的声学事件进行分类，同时将它们定位在3D空间中。在以前的《 Challenge》中，本地化等于预测AR-竞争对手的方向（DOA），而今年的挑战还涉及估计相对于麦克风阵列的距离。音频记录可以以两种格式使用：一阶Ambisonics（FOA），它结合了来自32个麦克风的记录，或来自四面体麦克风阵列（MIC）的4通道记录。近年来，大多数提交挑战的系统都使用了以前的格式，而后者的探索较少。在本报告中，我们关注如何更好地利用麦克风记录中的信息。具有相变（GCC-PHAT）[1]与光谱音频特征相结合的广义互相关是麦克风阵列大多数SELD方法的基础。频谱特征包含有关哪种类型的声音事件有效的重要提示，而GCC-PHAT的目的是提取麦克风对之间的到达时间差异（TDOA）。鉴于阵列的几何形状，可以将TDOA测量值映射到DOA。然而，GCC-Phat已知与噪声和混响有关[2]。GCC-PHAT也可能失败
模拟双边市场的兴衰
双边市场扰乱了我们的经济，重塑了旅游（airbnb）、出行（Uber）和食品配送（UberEats）等各类市场。新的市场领导者利用平台型商业模式崛起，对既定的范式提出质疑。它们增长背后的潜在过程并不简单，本质上是微观的，并依赖于复杂的人际交往。平台需要达到供需临界点，才能引发所谓的横向网络效应。为此，平台采用各种策略，首先创造市场，然后扩大市场，最后成功与其他市场竞争。如此复杂的社会系统具有许多非线性相互作用和学习过程，需要专门的建模方法。最先进的方法可以很好地估计宏观均衡条件，但难以重现背后复杂的增长模式和个体行为。为了弥补这一差距，我们提出了微观的 S 形学习模型，其中代理随着时间的推移对新服务形成感知，受到内生因素（服务质量）和从经验中积累的外生因素（营销和口碑）的影响。我们以双边移动平台（Uber）为例进行说明，该平台采取了一系列营销活动，导致市场先上升后下降，在阿姆斯特丹复杂的城市网络上，200 名司机为 2000 名旅行者提供服务。我们的模型是第一个不仅能重现行为合理，而且能重现经验观察到的增长轨迹的模型，它对各种营销策略都很敏感，可以重现平台之间的竞争，并旨在与机器学习算法相结合，以确定最佳市场进入策略。