XiaoMi-AI文件搜索系统
World File Search Systemfactorization
在合作多机构强化学习中分散执行的集中式培训简介
4个集中批评方法16 4.1预赛。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。17 4.2基本的集中评论家方法。。。。。。。。。。。。。。。。。。。。。。。。。。17 4.3 Maddpg。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 4.4昏迷。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.5 Mappo。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 4.6基于州的批评家。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 4.7选择不同类型的分散和集中批评家。。。。。。。。。。24 4.8结合策略梯度和价值分解的方法。。。。。。。。。。。。25 4.9其他集中批评方法。。。。。。。。。。。。。。。。。。。。。。。。。。。25
3DG：使用生成AI来处理智能辅导系统的稀疏学习者性能数据的框架
抽象学习绩效数据（例如，测验得分和尝试）对于理解学习者的参与和知识掌握水平而言至关重要。但是，从智能辅导系统（ITS）收集的学习绩效数据通常会遭受稀疏性，从而影响了学习者建模和知识评估的准确性。为了解决这个问题，我们介绍了3DG框架（用于致密化和生成的3维张量），这是一种新型方法，将张量分解与先进的生成模型（包括生成对抗性网络（GAN）和生成性预训练的变压器（GPT））相结合，以增强数据插入和增强数据插入。该框架首先将数据表示为三维张量，从而捕获学习者，问题和尝试的维度。然后，它通过张量分解来致密数据，并使用生成AI模型增强数据，该模型是根据通过聚类识别的个体学习模式量身定制的。由成人扫盲中心（CSAL）中心的自动课程中的数据应用，3DG框架有效地生成了可扩展的，个性化的学习绩效模拟。比较分析揭示了GAN在这种情况下比GPT-4的出色可靠性，强调了其在解决ITS的数据稀少挑战方面的潜力，并有助于进步个性化的教育技术。
3DG：使用生成AI来处理智能辅导系统的稀疏学习者性能数据的框架
抽象学习绩效数据（例如，测验得分和尝试）对于理解学习者的参与和知识掌握水平而言至关重要。但是，从智能辅导系统（ITS）收集的学习绩效数据通常会遭受稀疏性，从而影响了学习者建模和知识评估的准确性。为了解决这个问题，我们介绍了3DG框架（用于致密化和生成的3维张量），这是一种新型方法，将张量分解与先进的生成模型（包括生成对抗性网络（GAN）和生成性预训练的变压器（GPT））相结合，以增强数据插入和增强数据插入。该框架首先将数据表示为三维张量，从而捕获学习者，问题和尝试的维度。然后，它通过张量分解来致密数据，并使用生成AI模型增强数据，该模型是根据通过聚类识别的个体学习模式量身定制的。由成人扫盲中心（CSAL）中心的自动课程中的数据应用，3DG框架有效地生成了可扩展的，个性化的学习绩效模拟。比较分析揭示了GAN在这种情况下比GPT-4的出色可靠性，强调了其在解决ITS的数据稀少挑战方面的潜力，并有助于进步个性化的教育技术。
使用近方面的RSA Primes
摘要 - 通过加密数据和确保信息完整性来固定数字通信至关重要。rivest-Shamir-Adleman（RSA）Crypsystem被广泛使用，其安全性主要依赖于整数分解问题的复杂性，尤其是模量N = PQ。试图考虑主要因素P和Q的对手已经做出了特定的假设，例如针对场景，其中P和Q表现出诸如Pollard弱质量结构中的脆弱性，或者当有关这些prime量最低的位置（LSB）中的部分知识时，可以使用这些漏洞。这些弱点使对手可以在多项式时间中有效地考虑模量n，从而损害了RSA加密安全性。本文通过引入另外三种形式的近方数量来扩大对这种漏洞的理解。这些新形式通过以下方式表示为p×q：（a m -r a）（b m -r b）和（a m±r a）（a m±r a）（b m r b），其中a和b是正整数，m是正偶数。假定攻击者已知与P和Q的LSB相对应的R A和R B。本研究证明了在这些假设下N的有效分解，并量化了此攻击对素数数量的影响。这些发现强调了RSA用户的重大风险，并强调需要对此进行对策来减轻此攻击的潜在影响。
学习机器人想象的学习构图世界模型
文本对视频模型在机器人决策中表现出了实质性的潜力，从而使未来的现实计划以及准确的环境模拟实现了现实计划的想象。但是，此类模型中的一个主要问题是一般化 - 模型仅限于综合视频，但受到与培训时间相似的语言指令约束的视频。这在决策中严重限制，我们寻求一个强大的世界模型来综合对象和行动的不显示的计划，以便在新环境中解决以前看不见的任务。为了解决此问题，我们介绍了Robodreamer，这是一种通过分配视频生成来学习组成世界模型的创新方法。我们利用语言的自然组成性将说明解析为一组低级原始词，我们调节一组模型以生成视频。我们通过允许我们制定新的自然语言教学作为先前看到的组成部分的组合来说明这种分解如何自然地实现组成的重新化。我们进一步展示了这样的分解如何使我们能够添加附加的多模式目标，从而使我们能够指定一个我们希望同时给定自然语言指令和目标图像生成的视频。我们的AP-PRACH可以成功地合成RT-X中看不见的目标的视频计划，在仿真中成功执行机器人，并且在视频生成方面实质上优于单片基线方法。
CRUISE 关于推荐系统中特征选择的量子计算
协同过滤技术[1,2]根据用户行为模式和物品特征预测潜在的用户-物品交互，广泛应用于推荐算法中，该领域的一些著名技术包括矩阵分解方法[3]、基于邻域的方法[4]、深度学习方法[5,6]、基于图的技术[7,8]、因式分解机[9]、混合方法[10]、贝叶斯方法[11]和大型语言模型（LLM）[12]。然而，协同过滤技术[1]严重依赖于数据的质量。例如，使用用户个人资料、物品特征、评论、图像和其他信息可以显著提高推荐算法的性能，但在某些情况下，也会降低其性能。因此，区分哪些信息对推荐有用至关重要，这有助于构建高效的系统并降低能耗[13、14、15、16]。量子计算机利用量子比特和叠加、纠缠、量子隧穿等量子效应，是从冗余数据中识别有用信息的有效工具[17]。它显著提高了搜索问题和大整数分解的处理速度[18]。因此，在本文中，我们旨在利用量子计算技术寻找对推荐有用的特征。我们的目标是通过识别和利用相关数据来提高推荐系统的效率和准确性，从而降低计算要求和能耗[18、19、20]。在 QuantumCLEF 2024 中，我们专注于任务 1B，其中为每个项目分别提供 150 和 500 个特征[21、22]。我们将分析这些特征以提取与推荐系统最相关的特征。该任务要求参与者使用量子退火和模拟退火从给定数据中选择合适的特征，用于基于项目的 KNN 推荐算法（Item-KNN）。组织者提供了一个使用互信息进行特征选择的示例 [18]。但是，我们的初步实验表明，与使用所有特征而不进行任何选择相比，仅使用互信息进行特征选择对 Item-KNN 性能的改善有限。这是因为互信息仅反映两个变量之间的相互关系，与推荐算法的最终目标无关。因此，
CSA'2024关于计算系统和应用的第六次研讨会）程序
1。艾哈迈德·阿卜杜利（Ahmed Abdelli），阿里·Yachir（Ali Yachir）和阿巴·阿马姆拉（Abdenour Amamra），“用于自组织的机器人集合的多代理深钢筋学习” 2。Hadjira Belaidi等人，“增强基于导航的障碍物的避免障碍物，并使用Raspberry-Pi进行移动机器人的目标跟踪” 3。Fatma Zohra Lebib，Ichrak Djebrit和Khadidja Mahmoudi，“基于社会信任的云服务建议的矩阵分解” 4。Khaled Aimen Hafiani，Adil Imad Eddine Hosni，Islam Baira，Hichem Merini和Kadda Beghdad Bey，“谣言的适应性方法
多机器学习方法用于建模小...
超参数优化和严格的模型评估被实施，以识别最佳XGBoost模型。随后，使用Shapley添加说明（SHAP）分析来查明关键监测站（例如，站点C）。（2）VOC源代码分配：阳性基质分解（PMF）应用于关键站点的32个VOC物种，解决六个排放源：石化化学过程（PP），燃料蒸发（FE），燃烧源（CS），燃烧源（CS），Solvent使用（SU），（SU），Polymer Fabrication（Pff），Polimer Fabrication（Pf）和车辆（VEVE）（VE）（VE）。（3）因子影响量化：从XGBoost模型得出的形状值为200