XiaoMi-AI文件搜索系统
World File Search Systemgorithms
探索人工智能在复杂现实世界游戏中的应用
游戏长期以来一直是人工智能研究的基准和试验台。近年来，随着人工智能算法的发展和计算能力的提升，人工智能系统在围棋[Silver et al. ，2017]、星际争霸[Vinyals et al. ，2019]和德州扑克[Zhao et al. ，2022]等许多游戏中都取得了超越人类的表现。这些游戏在世界各地举办的季节性和年度活动中都很受欢迎。这种受欢迎程度促使学术界投入精力并开发新算法来解决它们。麻将在世界各地都很流行，尤其是在中国，并且有很多地区变体。由于其不完全信息和多目标性质，它对人工智能算法提出了挑战，但却被人工智能研究界忽视了。为了促进人工智能研究和探索人工智能在麻将中的应用，我们在 IJCAI 举办了三场麻将人工智能竞赛。来自学术界和工业界的数十支团队参与了比赛，他们运用各种算法来构建自己的代理。我们每年都会组织研讨会，邀请顶尖团队进行口头报告，分享他们的方法。比赛结果和他们的报告表明，基于深度学习的现代人工智能算法在这款游戏上具有巨大的潜力，并且优于启发式方法。然而，为了进一步提高人工智能代理的性能，仍有一些悬而未决的问题需要解决。我们希望我们在比赛中的经验能够促进对麻将等复杂现实世界游戏的进一步人工智能研究。
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。
看到或不看到：了解视觉艺术算法策略的紧张
算法推荐是机器学习（ML）系统最受欢迎的应用之一。在诸如金融和医疗保健等高风险领域的背景下研究了算法推荐的含义，但很少关注其对艺术领域的影响。鉴于ML越来越多地在艺术领域（例如生成艺术和内容分析）中找到地位，因此我们在视觉艺术的背景下研究了算法策划的紧张局势。通过案例研究，我们描述了策划更广泛的社会文化背景的策展可能会导致道德问题，例如过分代表和错误贡献，仅举几例。为了解决其中一些问题，本文提供了设计指南。具体而言，本文概述了建议方法1）与文化利益相关者互动以构建视觉艺术策展算法，2）2）嵌入数字艺术品及其元数据中的偏见，以及3）强调建立ML在视觉艺术中使用特定法规规范的需求。从艺术品策展人采用的过程中获取提示，该论文还描述了如何通过重新校准视觉艺术策展算法来优先考虑Authenticity。本文还提出了可以重新想象的最先进的ML策展算法来赋予观众能力的方法。我们希望纸上提出的视觉引发了跨学科讨论，并铺平了促进视觉艺术算法策划改革的方式。
在高维设置中的重要性可变需要分组
解释机器学习的决策过程如今对模型的增强和人类的理解至关重要。这可以通过评估罪恶变量的可变重要性来实现，即使对于高容量的非线性方法，例如深神经网络（DNNS）。虽然只有基于删除的方法（例如置换重要性（PI））可以带来统计有效性，但当变量相关时，它们会返回误导性结果。条件置换重要性（CPI）在这种情况下绕过PI的局限性。然而，在高维设置中，变量之间的高相关性取消了其有条件的重要性，使用CPI以及其他方法会导致不可靠的结果，这是一个超出的计算成本。通过聚类或一些先验知识对变量进行分组，从而获得了一些功率，并导致更好的解释。在这项工作中，我们介绍了BCPI（基于块的条件置换重要性），这是一个新的通用框架，用于可变知名度计算，并具有统计保证，可处理单个和组案例。此外，由于处理具有较高基数的组（例如一组给定模式的观察结果）既耗时又是资源密集型的，因此我们还引入了一种新的堆叠方法，扩展了具有适合组结构的次级线性层的DNN体系结构。我们表明，随后的方法随着堆叠的控制而扩展了I型误差，即使是高度相关的组，并且在基准中显示了最高的精度。更重要的是，我们在大规模的医学数据集中执行了现实世界数据分析，我们旨在展示我们的结果和生物标志物预测的文献之间的一致性。
BioPyC，一个用于离线脑电图和生理信号分类的开源 Python 工具箱
摘要：近几十年来，脑机接口 (BCI) 的研究变得更加民主，使用基于脑电图 (EEG) 的 BCI 的实验急剧增加。协议设计的多样性和对生理计算日益增长的兴趣要求同时改进 EEG 信号和生物信号（如皮肤电活动 (EDA)、心率 (HR) 或呼吸）的处理和分类。如果一些基于 EEG 的分析工具已经可用于许多在线 BCI 平台（例如 BCI2000 或 OpenViBE），那么在线使用算法之前，执行离线分析以设计、选择、调整、验证和测试算法仍然至关重要。此外，研究和比较这些算法通常需要编程、信号处理和机器学习方面的专业知识，而许多 BCI 研究人员来自其他背景，对这些技能的培训有限或没有培训。最后，现有的 BCI 工具箱专注于 EEG 和其他脑信号，但通常不包括其他生物信号的处理工具。因此，在本文中，我们描述了 BioPyC，这是一个免费、开源且易于使用的 Python 平台，用于离线 EEG 和生物信号处理和分类。基于直观且引导良好的图形界面，四个主要模块允许用户遵循 BCI 过程的标准步骤，而无需任何编程技能：（1）读取不同的神经生理信号数据格式，（2）过滤和表示 EEG 和生物信号，（3）对它们进行分类，以及（4）可视化并对结果进行统计测试。我们在四项研究中说明了 BioPyC 的使用，即根据 EEG 信号对心理任务、认知工作量、情绪和注意力状态进行分类。
蛋白质 - 配体相互作用的量子计算定量
适用于最多数百个原子的有机和无机系统。这是由于它们相对较低的O（n 3）-O（n 4），正式缩放率，在由数千原子组成的系统的近似实现中，甚至可以将其降低到O（n）[5-7]。但是，HF和DFT失败了多引用（强相关）系统，并且无法描述分散相互作用，这是分子间力的关键组成部分，而不是通过临时校正[8]。清楚地，适用于任意分子系统的通用，低缩放和高度精确的电子结构方法仍然难以捉摸。人们普遍认为，对于标准方法不准确或太昂贵的复杂且密切相关的化学系统的模拟是在量子计算中持续和快速进步的领域之一[9]。的确，最后一半的十年已经看到了用于材料模拟的量子质量研究的爆发，包括分子的地面和激发态，量子动力学和线性响应，以及其他许多其他人[10-14]。嘈杂的中级量表量子（NISQ）设备限制了这些算法的适用性，例如H 2，Lih，rbH等[15，16]。尽管如此，量子硬件功能的快速进步以及对新量子算法的深入研究开辟了将来利用计算机辅助药物设计（CADD）中利用Quantum Compution的可能性。新药的合成需要取代药物化学作用。CADD工作流量限制
将量子退火应用于尾部分配问题
航空公司每天都在努力安排机组人员、航班和飞机。尾部分配是将单架飞机分配给一组航班的问题，同时确保多重约束并旨在最小化目标函数，比如运营成本。鉴于所涉及的大量可能性和约束，这个问题在过去十年中一直是一个研究案例。许多使用经典计算的解决方案已经出现，但在性能上受到限制。量子退火（QA）是一种使用量子力学在能量景观上寻找全局最小能级的启发式技术。由于其特性，它在解决一些复杂的优化问题方面已被证明具有明显的优势，是一种很有前途的技术，可应用于多个领域。在本研究中，尾部分配问题被设置为二次无约束二元优化（QUBO）模型，使用两种不同的技术，并使用一个经典求解器和两个混合求解器进行求解。测试基于从真实世界数据中提取的数据，分析了实施在时间、可扩展性和所获解决方案的质量（即最低运营成本）方面的性能。我们得出的结论是，使用库来建模问题以及考虑单个航班而不是将它们预先聚合成字符串可能会成为可扩展性的瓶颈。此外，我们发现，与模拟退火 (SA) 等经典启发式算法相比，使用混合求解器之一获得此问题更好解决方案的可能性更高。这些发现可以作为进一步研究的基础。
气候建模的量子计算的机会和挑战
根据政府间气候变化（IPCC）第六次评估报告（Masson-Delmotte等，2021）的说法，全球每个地区的每个地区都已经感觉到人类引起的气候变化的影响（Eyring等人，2021a）。迫切需要更好的气候模型，以使区域预测成为可能，从而可以在缓解和适应方面进行更精确的努力（Shokri等，2022）。气候模型确实会随着每一代的变化（Bock等，2020），与观测值相比，系统偏见仍然是由于模型的水平分辨率有限，通常是数十公里（Eyring等人，2021b）。水平分辨率几公里的模型可以明确表示深度对流和其他动态效应（Hohenegger等，2020），从而减轻了许多偏见（Sherwood等，2014），但计算成本很高。即使考虑到计算能力的预期增加（Ferreira da Silva等，2024; Stevens等，2024），理想的混合ESM的层次结构，结合了机器学习（ML）方法和物理建模，还将继续被要求（Eyring等，2024B）。因此，必须利用新技术来改善和加速气候模型。量子计算机提供了替代计算范式，并且在过去几年中看到了巨大进展，请参见图1。量子硬件的大小和质量正在稳步增加，以及拟议中的量子数量的数量（Sevilla和Riedel，2020），并且一些声称已经实现了量子至上的实验（Lau等人，2022年）。在算法方面，生长 -
量子解码问题
基于格的密码学的创始成果之一是将短整数解问题量子简化为 Regev 引入的带错误学习问题。Chen、Liu 和 Zhandry 最近指出，可以通过将带错误学习问题替换为量子等效问题（其中错误以量子叠加形式给出）来使这种简化更加强大。在代码的背景下，这可以适应从查找短代码字简化为随机线性代码的量子解码问题。因此，我们在本文中考虑量子解码问题，其中我们给出了代码字的噪声版本的叠加，我们想要恢复相应的代码字。当我们测量叠加时，我们会得到通常的经典解码问题，其中最佳已知算法处于恒定速率和错误率范围内，与代码长度呈指数关系。但是，我们将在这里展示，当噪声率足够小时，量子解码问题可以在量子多项式时间内解决。此外，我们还表明，对于噪声率，该问题原则上可以量子地（尽管不是有效的）解决，而由于信息论的原因，相关的经典解码问题根本无法解决。然后，我们在代码的背景下重新审视 Regev 的归约。我们表明，在 Regev 的归约中使用我们的算法来解决量子解码问题，可以与已知的最佳短码字问题量子算法相媲美。这在某种意义上表明了 Regev 归约在考虑量子解码问题时的严密性，也为短码字问题的新量子算法铺平了道路。
使用 AI/ML 工具跟踪社交媒体中的恶意信息，以帮助减轻有害的 GenAI，从而改善社会福祉
对社会福祉的威胁正在迅速发展，这种威胁来自社交媒体上广泛传播的错误信息。更令人担忧的是“恶意信息”，它在某些社交网络上被放大。现在，这种威胁又增加了一个维度，即使用生成式人工智能故意增加错误信息和恶意信息。本文重点介绍了一些“边缘”社交媒体渠道，这些渠道的恶意信息水平很高，这在我们的人工智能/机器学习算法中有所体现。我们讨论了各种渠道，并特别关注其中一种渠道“GAB”，作为潜在负面影响的代表。我们概述了一些当前的恶意信息作为示例。我们捕捉元素，并观察其随时间的变化趋势。我们提供了一组人工智能/机器学习模式，可以表征恶意信息，并允许捕获、跟踪，并可能用于响应或缓解。我们强调了对恶意代理使用 GenAI 故意发送恶意信息以破坏社会福祉的担忧。我们建议将所提出的特征作为一种方法，以启动一种更加慎重和定量的方法来解决社交媒体中这些会对社会福祉产生不利影响的有害方面。本文强调了“恶意信息”（包括虚假信息、网络欺凌和仇恨言论）扰乱社会各个阶层的可能性。恶意信息的扩散可能会导致严重的现实后果，例如大规模枪击事件。尽管试图在 Facebook 等主要平台以及某种程度上在 X/Twitter 上引入审核，但现在越来越多的社交网络（如 Gab、Gettr 和 Bitchute）提供了完全不受审核的空间。本文介绍了这些平台，并对 Gab 的帖子进行了半定量分析的初步结果。本文使用文本分析研究了几种表征模式。本文强调了 Gab 和其他边缘平台对生成式 AI 算法的危险使用，强调了对社会福祉的风险。本文旨在为捕获、监控和减轻这些风险奠定基础。