XiaoMi-AI文件搜索系统
World File Search Systemeight
，Khalid，A，A，Imran，M和Abdusalomov，A（2024）保护IoT生态系统：ASIC基于ASIC的硬件轻量级密码。国际
摘要物联网（IoT）节点由收集环境数据的传感器组成，然后使用周围的节点和网关进行数据交换。网络安全攻击对任何物联网网络中正在传输的数据安全构成威胁。加密原始图被广泛采用以应对这些威胁；但是，实质性的计算要求限制了它们在物联网生态系统中的适用性。此外，每个物联网节点都随区域和吞吐量（TP）要求而变化，因此要求实现加密/解密过程。为了解决这些问题，这项工作通过采用环路折叠，循环独立且完全展开的体系结构来实现NIST轻巧的加密标准Ascon，Ascon，Ascon。完全展开的体系结构可以达到最高的TP，但以更高的面积利用为代价。通过较低的因素展开会导致较低的区域实施，从而探索了设计空间，以应对设计区域和TP性能之间的权衡。实施结果表明，对于环路折叠的结构，Ascon-128和Ascon-128a需要36.7k µm 2和38.5k µm 2芯片面积，而其全持续不经气的实施则需要277.1k µm 2和306.6k µm 2。拟议的实施策略可以调整回合的数量，以适应物联网生态系统的各种要求。还进行了具有开源45 nm PDK库的实现，以增强结果的概括和可重复性。
体重管理过程和个体差异
摘要背景：肥胖流行是一个日益增长的公共健康问题，使体重管理成为整体健康和福祉的关键方面。的确，促进行为改变的有效工具对于在管理体重方面取得长期成功至关重要。这项研究旨在通过评估心理准备的特定方面，包括动机，自我调节，情感重新评估（EMR）（EMR）和环境重组（ENR）（ENR）（ENR）来验证S重量和P重量问卷的FARSI版本，以支持个性化的体重管理。方法：使用自我管理调查表进行了一项横断面研究。该研究包括455名17-65岁的成年人，不包括接受侵入性减肥干预措施的成年人。测量的变量包括EMR，体重后果评估（WCE），体重管理动作（WMA）和ENR，这些变量使用结构化的Likert尺度问卷进行了评估。进行了探索性和验证性因素分析，可通过Cronbach的alpha和类内相关系数（ICC）评估可靠性。统计显着性设置为p <0.05。结果：问卷显示出强烈的有效性和可靠性（KMO = 0.91； Bartlett的测试χ²= 3999.75； P <0.001）。超重和肥胖的参与者在变化过程中得分明显高于正常体重参与者（p <0.001）。结论：经过验证的工具提供了一种基于心理准备的体重管理策略的可靠手段，并可能改善了长期结局。伊朗大四。2025; 28（3）：162-170。 doi：10.34172/aim.33513关键字：变更策略，动机，个性化营养，过程，准备就绪，以：Gohari Dezfuli Z，Hasan Rashedi M，Araminejad M，Karimi K，Mansouri ES，Seif Barghi T等。体重管理过程和个体差异：Parsi中P重量和S权重的验证研究。
骑自行车与运行HIIT程序的影响对超重/肥胖症男性的脂肪质量损失和肠道微生物群的组成
以及法国Bellerive-Sur-Allier体育（Creps）的表现； 6 CIC INSERM 1405/CHU GABRIEL MONTPIED临床调查平台，58 Rue Montalembert，Cedex 1，Clemont-Ferrand，法国； 7法国大学学院（IUF），法国巴黎； 8巴西圣保罗大学体育与体育学院应用营养与代谢实验室； 9 Inserm U1016，“慢性炎症性疾病中的粘膜微生物群”，CNRS UMR 8104，巴黎大学，巴黎，法国，巴黎大学
临床数据仓库的大脑T1加权磁共振图像的自动质量控制
图1：来自临床数据仓库和Correponding标签的T1W脑图像的示例。a1：质量高的图像（第1层），没有gadolinium； A2：质量高（第1层），带有Gadolinium； B1：中等质量（第2层），没有Gadolinium（噪声1级）； B2：中等质量（第2层），带有Gadolinium（对比1级）； C1：不良质量（第3层），没有gadolinium（对比2级，运动2级）； C2：不良质量（第3层），gadolinium（对比2级，运动级1级）； D1：笔直排斥（分段）； D2：直接拒绝（裁剪）。
使用k-neartift加权融合的人重新识别*
摘要：亲自识别，重新排列是通过完善检索结果的初始排名来提高整体准确性的关键步骤。先前的研究主要集中在单视图像的特征上，这些特征可能会导致偏见和诸如姿势变化，观点变化和遮挡等问题。使用多视图来介绍一个人可以帮助减少视图偏差。在这项工作中，我们提出了一种有效的重新级别方法，该方法通过使用K-Neartivt加权融合（KWF）方法来汇总邻居的功能来生成多视图特征。具体来说，我们假设从重新识别模型中提取的特征在表示相同的身份时高度相似。因此，我们以无监督的方式选择K相邻功能来生成多视图功能。此外，本研究探讨了特征聚合过程中的重量选择策略，从而使我们能够确定有效的策略。我们的重新排列方法不需要模型进行微调或额外的注释，因此它适用于大规模数据集。我们在重新识别数据集Market1501，MSMT17和遮挡的dukemtmc上评估我们的方法。结果表明，从初始排名结果中重新列出顶级M候选者时，我们的方法会显着提高列表@1并映射。具体而言，与初始结果相比，我们的重新排列方法在具有挑战性的数据集中，等级@1的提高分别为9.8％ / 22.0％：MSMT17和闭塞性dukemtmc。此外，我们的方法证明了与其他重新排列方法相比，计算效率的实质性提高。
使用SRAM- ...
摘要 - 该论文引入了针对资源约束物联网（IoT）环境量身定制的轻巧，有效的键合功能，利用了Parabola Chaotic Map的混乱属性。通过将混沌系统的固有不可预测性与简化的加密设计相结合，提出的哈希功能可确保可靠的安全性和低计算开销。通过基于SRAM初始值将其与物理不封次函数（PUF）集成来进一步增强该函数，该功能可作为设备特异性键的安全且耐篡改的来源。对ESP32微控制器的实验验证证明了该函数对输入变化，特殊统计随机性以及对加密攻击的抗性的高度敏感性，包括碰撞和差分分析。在不同条件下，在关键产生中，平均比重变化的概率接近理想的50％和100％的可靠性，该系统解决了关键的物联网安全挑战，例如克隆，重播攻击和篡改。这项工作贡献了一种新颖的解决方案，该解决方案结合了混乱理论和基于硬件的安全性，以推动物联网应用程序的安全，高效和可扩展的身份验证机制。
对矩阵加权状态的半决赛放松 -
摘要 - 近年来，在所谓的可认证感知方法的发展中取得了显着进步，这些方法利用半闪烁，凸出放松，以找到对机器人技术中的感知问题的全球最佳选择。然而，其中许多放松依赖于简化促进问题制定的假设，例如各向同性测量噪声分布。在本文中，我们探讨了矩阵加权（各向异性）状态估计问题的半决赛松弛的紧密性，并揭示了其中潜伏在其中的局限性：基质加权因素会导致凸的松弛因失去紧密度。特别是我们表明，矩阵权重的本地化问题的半决赛松弛仅对于低噪声水平可能很紧。为了更好地理解这个问题，我们引入了状态估计的后验不确定性与通过凸面重新获得的证书矩阵之间的理论联系。考虑到这种联系，我们从经验上探讨了导致这种损失的因素，并证明可以使用冗余约束来恢复它。作为本文的第二项技术贡献，我们表明，当考虑矩阵重量时，不能使用标量加权大满贯的状态放松。我们提供了一种替代配方，并表明其SDP松弛并不紧密（即使对于非常低的噪声水平），除非使用特定的冗余约束。我们在模拟和现实世界数据上证明了制剂的紧密度。
基于加权的生成性学习损失的基于扩散的语音增强
基于扩散的生成模型最近在语音增强（SE）方面获得了研究，为常规监督方法提供了替代方案。这些模型将干净的语音训练样本转化为高斯噪声，通常以嘈杂的语音为中心，随后学习了一个典型的模型以扭转这一过程，从而有条件地在嘈杂的语音上。与受监督的方法不同，基于生成的SE通常仅依赖于无监督的损失，这可能会导致条件嘈杂的语音效率较低。为了解决这个问题，我们提议以ℓ2的损失来增加原始的扩散训练目标，以测量地面真相清洁语音与每个扩散时间阶段的估计之间的差异。实验结果证明了我们提出的方法的有效性。
量子游戏中矩阵倍增权重动态的稳定性
摘要 - 在本文中，我们研究了在通用量子游戏中学习的广泛使用矩阵乘量（MMW）动力学的平衡收敛性和稳定性。这项努力的一个关键困难是，诱导的量子状态动力学自然地分解为（i）经典的，可交换性的成分，该动态以类似于在经典复制器动力学下的混合策略的演化方式控制系统特征值的动力学； （ii）系统特征向量的非交通分量。这个非交通性的组件没有经典的对应物，因此需要引入（渐近）稳定性的新颖概念，以说明游戏量子空间的非线性几何形状。在这种一般情况下，我们表明（i）只有纯量子平衡才能稳定并在MMW动力学下吸引； （ii）作为部分匡威的纯量子状态，满足某种“变分稳定性”条件的纯量子总是会吸引。这使我们能够充分表征在MMW动力学下稳定并吸引的量子NASH平衡的结构，这一事实对预测多代理量子学习过程的结果具有重要意义。