XiaoMi-AI文件搜索系统
World File Search Systemando
策略性强且无嫉妒的随机分配
我们研究了一组具有严格偏好的代理之间不可分割对象的随机分配。我们表明，不存在一致、防策略和无嫉妒的机制。将第一个要求弱化为 q-一致 - 即当每个代理将不同的对象排在首位时，每个代理将以至少 q 的概率获得其最喜欢的对象 - 我们表明，满足防策略性、无嫉妒性和事后弱无浪费性的机制只有在 q ≤ 2/n（其中 n 是代理数量）时才能达到 q-一致。为了证明这个界限是严格的，我们引入了一种新机制，即随机独裁兼均等分配 (RDcED)，并表明当所有对象都可以接受时，它会达到这个最大界限。此外，对于三个代理，RDcED 具有前三个属性和事后弱效率的特征。如果对象可能无法接受，那么即使事后弱非浪费性，策略防护性和无嫉妒性也是共同不相容的。
如何引用本文Sandougah K，Alsywina N，Alghamdi H K等。 （2025年2月17日）评估Arti
系统需要大量数据（也称为大数据）进行培训[2]。高质量的标签和代表性现实生活数据需要创建机器学习或深度学习算法以防止系统偏见。未能遵循这一基本规则可能会产生不可靠的发现[3]。这类似于基于合成数据的使用[4]，对癌症患者的护理建议的建议类似。由于可以检索和用于训练的许多诊断成像方式（例如X射线，超声，CT，MRI等）的大量数据（例如X射线，超声，CT，MRI等），因此放射学在AI算法的开发中起着至关重要的作用。因此，预计AI不仅会影响传统的放射学过程（例如图像解释），还会影响临床决策支持系统和结构化报告[2]。可以改善放射科医生的实践，因为基于AI的工具可用于更有效地完成费力，重复性的活动和阅读时间[1]。为了使放射科医生对AI的基本理解，欧洲放射学会（ESR）产生了一份白皮书[5]。这些进步的其他用途包括在紧急情况下自动鉴定气胸，出血，肾结石和异物的病例，可帮助放射科医生在诊断过程中进行诊断，并提高其准确性[6]。人机互动将成为所有医生的关键能力，必须纳入医学教育。根据文献上发表的几项研究，基于AI的应用程序不会代替放射科医生目前的角色。相反，它们将增强放射学服务和放射学家的表现[1]。将来医学的问题是在使用AI工具时可以进行质量检查[3]。然而，正如人工神经网络的著名杰弗里·欣顿（Geoffrey Hinton）所说，AI的使用是放射学领域的发展领域，这可能是对专业诊断放射学家[7]的威胁[7]，因为远程放射学，3D印刷，在放射学中实施人工智能训练和其他放射性训练[7]，并且是训练有素的测试。至关重要的是要确保当前的临床从业人员鉴于正在进行的AI革命，对这项技术的状态和潜力了解。关于AI将如何影响临床实践的错误信息可能导致不利的态度和不明智的职业决定。因此，在整个过渡期间，至关重要的是，为临床医生提供准确，公正和当前的信息至关重要。从这个角度来看，评估临床医生对AI的潜在应用的感觉至关重要。因此，这项研究的目的是评估医师在放射学中使用AI的感觉[8]。
SARS-CoV-2、BIV1-CovIran 灭活病毒颗粒疫苗的有效性和安全性：随机、安慰剂对照、双盲、多中心、 3 期临床试验
结果 招募了 20 000 名参与者，并随机分配接受 BIV1-CovIran（n=13 335（66.7%））或安慰剂（n=6 665（33.3%））。参与者的平均年龄为 38.3 岁（标准差 11.2），其中 6 913 人（34.6%）为女性。在随访期间（中位数为 83 天）报告感染新冠肺炎的接种疫苗参与者中，758 人（5.9%）出现症状，144 人（1.1%）感染严重，7 人（0.1%）病情危急。在随访期间接受安慰剂的参与者中，688 人（10.7%）出现症状，221 人（3.4%）感染严重，19 人（0.3%）病情危急。对有症状的 covid-19 的总体有效率为 50.2%（95% 置信区间为 44.7% 至 55.0%），对重症疾病的总有效率为 70.5%（63.7% 至 76.1%），对危重病例的总有效率为 83.1%（61.2% 至 93.5%）。安慰剂组有效人群中报告有 2 例死亡，干预组无死亡病例。在随访期间，报告了 41 922 起不良事件：28 782 起（68.7%）为不良反应，其中 19 363 起（67.3%）发生在干预组。大多数不良反应为轻度或中度（1 级或 2 级）且可自行痊愈。没有与注射有关的严重不良事件。对于变体调查，在 119 名 SARS-CoV-2 变体呈阳性的参与者中，106 名（89.1%）对 delta 变体呈阳性。
张量产品的随机子空间的浓度估计，并应用于量子信息理论
给定一个随机子空间H n在Hilbert Space的张量中均匀地选择了v n w w，我们认为相对于张量结构，H n h n元素的所有单数值的集合k n。在WIFED的背景下，该随机集获得了大量定律，并且在[3]中以相同的速度以相同的速度倾向于h n，v n的尺寸。在本文中，我们提供了衡量浓度估计值。K n的概率研究是由量子信息理论中重要问题的动机，并允许为尺寸提供最小的已知维度（184），即一个Ancilla空间，允许最小输出熵（MOE）违规。通过我们的估计，作为应用程序，我们可以为发生MOE发生的空间的维度提供实际界限。
随机性，交换性和保形预测
随机性的功能理论是在Vovk [2020]中以非算力的随机性理论的名义提出的。Ran-Domness的算法理论是由Kolmogorov于1960年代启动的[Kolmogorov，1968年]，并已在许多论文和书籍中开发（例如，参见Shen等人。2017）。它一直是直觉的强大来源，但其弱点是对特定通用部分可计算函数的选择的依赖性，这导致其数学结果中存在未指定的加性（有时是乘法）常数。Kolmogorov [1965，Sect。 3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value). 与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。 它将在教派中引入。 2。 在本文中，我们将这种方法称为随机性的功能理论。 虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。 读者将不会假设对随机性算法理论的形式知识。 在本文中，我们有兴趣将随机性的功能理论应用于预测。 3。Kolmogorov [1965，Sect。3] speculated that for natural universal partial computable functions the additive constants will be in hun- dreds rather than in tens of thousands of bits, but this accuracy is very far from being sufficient in machine-learning and statistical applications (an addi- tive constant of 100 in the definition of Kolmogorov complexity leads to the astronomical multiplicative constant of 2 100 in the corresponding p-value).与VOVK [2020]中提出的未指定常数打交道的方式是表达有关随机性算法作为各种函数类之间关系的算法。它将在教派中引入。2。在本文中，我们将这种方法称为随机性的功能理论。虽然它在直观的简单性方面失去了一定的损失，但它越来越接近实用的机器学习和统计数据。读者将不会假设对随机性算法理论的形式知识。在本文中，我们有兴趣将随机性的功能理论应用于预测。3。机器学习中最标准的假设是随机性：我们假设观察值是以IID方式生成的（独立且分布相同）。先验弱的假设是交换性的假设，尽管对于无限的数据序列而言，随机性和交换性证明与著名的de Finetti代表定理本质上是等效的。对于有限序列，差异是重要的，这将是我们教派的主题。我们开始讨论在教派中预测的随机性功能理论的应用。2。在其中介绍了置信度预言的概念（稍微修改和推广Vovk等人的术语。2022，Sect。2.1.6）。然后，我们根据三个二分法确定八种置信预测因素：
合成生物学对低纤维摄入个体的肠道微生物组的有益作用：双盲，随机对照试验的次级分析
1营养与食品科学研究所，营养与微生物群，波恩大学，53115 BONN，德国2 BONN 2 BONNANY 2 BONNY HOSPICY HOSPICY BONN基因组统计与生物信息学研究所，德国53127 BONN，德国BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONNY 3 3 3波恩大学，德国53115 BONN 53115 BONN 5，波恩大学，波恩大学，53113 BONN，德国6里昂神经科学研究中心（CRNL），中心，国家de la Recherche Scientifique（CNRS），Institut de lasanté等人（Inserm lliemer），法国里昂，里昂7欧洲研究所，法国77300年，法国77300，87300 Control Interoception-Intervistion团队，巴黎脑研究所（ICM），法国75013，法国巴黎 *通信1营养与食品科学研究所，营养与微生物群，波恩大学，53115 BONN，德国2 BONN 2 BONNANY 2 BONNY HOSPICY HOSPICY BONN基因组统计与生物信息学研究所，德国53127 BONN，德国BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONN，BONNY 3 3 3波恩大学，德国53115 BONN 53115 BONN 5，波恩大学，波恩大学，53113 BONN，德国6里昂神经科学研究中心（CRNL），中心，国家de la Recherche Scientifique（CNRS），Institut de lasanté等人（Inserm lliemer），法国里昂，里昂7欧洲研究所，法国77300年，法国77300，87300 Control Interoception-Intervistion团队，巴黎脑研究所（ICM），法国75013，法国巴黎 *通信
黄热病疫苗与蜱传脑炎疫苗或日本脑炎疫苗联合接种后的安全性和免疫原性：一项开放标签、非随机临床试验的结果
。CC-BY 4.0 国际许可 它是根据作者/资助者提供的，他已授予 medRxiv 永久展示预印本的许可。（未经同行评审认证）
来自低度猜想的算法连续性和相关的随机图中的应用
图形匹配，也称为网络对齐，是识别两个图表之间的双向反射，从而最大程度地提高了公共边数的数量。当两个图彼此完全同构时，此问题将减少到经典的图形同构问题，其中最著名的算法在准杂音时间时间中运行[1]。通常，图形匹配是二次分配问题[7]的实例，该实例已知可以解决甚至近似[38]。是由现实世界应用（例如社交网络去匿名化[45]和计算生物学[51]）以及了解平均计算复杂性的需求，最近的研究集中在统计模型下的理论基础和有效的算法。这些模型假设这两个图是在隐藏的顶点对应关系下随机生成的，其中有相关的边缘，其中规范模型是以下相关的随机图模型。对于任何整数n，用u = u n表示为1≤i=j≤n的无序对（i，j）集。
任何有限字段的有效伪随机相关发生器
摘要。相关的随机性在于有效的现代安全多方计算（MPC）协议的核心。生成MPC在线阶段协议所需的相关随机性的成本通常构成整体协议中的瓶颈。Boyle等人发起的伪随机相关发生器（PCG）的最新范式。（CCS'18，Crypto'19）为此问题提供了一个吸引人的解决方案。在草图中，为每个方提供了一个短的PCG种子，可以将其局部扩展为长相关字符串，从而满足目标相关性。在各种类型的相关性中，有忽略的线性评估（OLE），这是对算术电路的典型MPC协议的基本和有用的原始性。旨在有效地生成大量OLE，并应用于MPC协议，我们建立了以下结果：（i）在任何字段F p上，我们为OLE提出了一种新颖的可编程PCG构造。对于kn ole相关性，我们需要O（k log n）通信和O（k 2 n log n）计算，其中k是任意整数≥2。预先的作品要么具有二次计算（Boyle等人crypto'19），或者只能支持大于2的大小的字段（Bombar等人加密23）。（ii）我们扩展了上述OLE结构，以提供任何有限领域的各种相关性。引人入胜的应用之一是用于两方身份验证的布尔乘法三倍的有效PCG。对于kN身份验证的三元组，我们提供的PCG具有O（k 2 log n）位的种子大小。与以前的作品相比，每个作品都有自己的权利。据我们最大的知识，这种相关性以前尚未通过sublrinear沟通和准线性计算实现。（iii）此外，该可编程性可用于多方布尔三元组的有效PCG，因此是第一个具有无声预处理的布尔电路的有效MPC协议。尤其是我们显示的kn m-零件乘数可以在O（m 2 K log n） - 次通信中生成，而最先进的叶面（Asiacrypt'24）需要广播通道，并需要MKN + O（m 2 log kn）钻头通信。（iv）最后，我们提出有效的PCG，用于电路依赖性预处理，矩阵乘法和字符串OTS等。
使用P4和深度学习R. Mohammadifar*，R。Javidan，R。
这项研究解决了在切片间切换过程中确保5G及以上（6G）网络（6G）网络的挑战（DDOS）。提出了基于P4可编程开关和门控复发单元（GRU）算法的混合模型，以高准确性和低延迟来检测和预测此类攻击。p4可以实时提取钥匙质量服务（QOS）参数，包括数据包损耗率，延迟和优先级，用于有效的交通分析和攻击检测。所提出的模型达到了DDOS检测准确性为98.63％，灵敏度为98.53％，F1得分为98.58％，同时预测合法切片的精度为98.7％。误报率（FPR）降低到小于2.1％，检测和决策制定的总系统延迟保持在350毫秒以下，使其适用于诸如URLLC之类的延迟敏感应用程序。可伸缩性测试表明，该系统的检测准确性超过90％，延迟少于500毫秒，最多15个开关和4个切片，即使在较高的交通负载下也是如此。这项研究突出了将深度学习与P4相结合以增强高级网络中的安全性和可扩展性的有效性，从而为下一代网络安全提供了强大的框架。