XiaoMi-AI文件搜索系统
World File Search Systemprob
针对LLL和BKZ的参数研究，并应用于最短矢量问题
摘要 - 在这项工作中，我们研究了最短矢量问题（SVP）在学习错误问题（LWES）方面产生的最短媒介问题（SVP）。lwes是模块环上方程式的线性系统，其中将扰动向量添加到右侧。这种类型的问题引起了人们的极大兴趣，因为必须解决LWES，以便能够破坏基于晶格的密码系统作为NIST在2024年发表的基于模块的键盘封装机制。由于这一事实，已经研究了几种基于经典和量子的算法来求解SVP。可用于简化给定SVP的两种著名算法是Lenstra-Lenstra-Lov´asz（LLL）算法和块Korkine-Zolotarev（bkz）算法。LLL和BKZ构造碱基可用于计算SVP的解决方案或近似解决方案。我们研究具有不同尺寸和模块化环的SVP的两种算法的性能。因此，如果LLL或BKZ在给定的SVP中的应用被认为是成功的，那么它们会产生包含SVP的溶液向量的碱基。
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7
不确定性下的旅行送货员问题
摘要在近年来，供应链优化已成为运营研究的主要主题。从计算和NAL溶液质量的角度概述了巨大的extline方法。但是，除了最佳之外，供应链的一个主要需求是不可思议的和对干扰的适应性。这项研究工作的目的是针对能够利用确定性和随机质量指数的详尽程序进行彻底的程序。然后选择了传送人问题作为案例研究，因为它代表了最基本的操作研究问题。基于单位操作的主要评估方法的适应，可提供良好的结果并允许正确识别批判性。此外，它证明，根据预期的偏差性质，在数百万个可能的替代方案中，最佳解决方案被认为是有限的子集。那么，在将来的研究中，值得扩展到更复杂的系统。
整合机器学习和操作研究方法，以进行调度问题：文献分析和文献综述
摘要：操作研究（OR）技术已被广泛用于优化问题，例如制造计划，供应链优化和资源分配。尽管具有传统或尤其是确切的方法，但通常在可伸缩性，计算效率和对行业4.0的动态和不确定环境的适应性方面遇到困难。尽管机器学习（ML）的进步提供了解决这些挑战的新方法，但它们还提出了局限性，例如缺乏保证精确的解决方案和相关数据的需求。因此，OR和ML的集成提供了一个平衡的解决方案，利用ML从大型数据集中提取模式并做出预测性决策和OR的精确度以增强决策过程，尤其是在使用行业4.0的环境安排任务的过程中。这种组合不仅提高了解决方案的鲁棒性和效率，而且还可以减轻两个领域的个人局限性。并根据不确定性做出预测性决策补充了OR的决策过程。本文旨在对ML的整合和OR，重点介绍其在调度问题中的应用。关键字：行业4.0，调度，操作研究，机器学习
机器学习辅助的蒙特卡洛在抽样中失败了计算困难问题
为了使这些研究更加系统，并真正评估了方法的性能，重要的是具有良好的基准，即当地MCMC确保很难采样的问题。在90年代初期，必须面对同样的问题，以评估寻找优化或满足性问题解决方案的本地搜索算法的性能[21]。在这种情况下，通过引入研究的随机实例的集合来解决生成良好基准的问题[21 - 24]。随后在数值和分析上都显示了这些随机优化/满足性问题需要在N中成倍缩放，以在某些参数空间的某些区域在足够低的温度下进行适当的采样[2]。因此，它们为采样算法提供了很好的基准。然而，最近将机器学习方法应用于加速抽样的尝试尚未考虑这些基准。在本文中，我们考虑了一个典型的难以样本的随机问题，即随机图的着色，我们表明所有提出的方法都无法解决。我们的结果证实，这类问题是抽样方法的真正挑战，甚至在智能机器学习的动作的帮助下。[20]中研究的模型可能属于此类。此外，我们讨论了一些实际问题，例如学习辅助模型时的模式崩溃，当目标概率分布具有多个峰值时，并且辅助模型仅学习其中一个（或一个子集）。
发育问题中的遗传诊断
发现了DNA变化或变体，但尚不清楚它是否是造成这种情况的原因。由于DNA因人而异，因此有许多中性变体对发展或健康没有影响。结果，有时对基因检测的结果有疑问：它是导致病情的中性变体还是变体？
使用信息素传感器检测虫害检测的生物学的反问题使用信息素传感器检测虫害检测的生物学的反问题
大多数昆虫都能在其生命周期的关键阶段（例如繁殖）中改变气味景观，以便与其同伴进行交流。他们在附近环境中释放信息素，挥发性化合物由具有异常特异性和敏感性的同一物种的昆虫检测到。有效的信息素检测是害虫管理的有趣杠杆。使用信息素传感器对害虫的精确和早期检测是在出没之前的害虫管理策略。在本文中，我们开发了一个生物学知情的逆问题框架，该框架利用信息素传感器网络中的时间信号来构建昆虫存在图。使用种群动力学PDE残差，通过特定惩罚的平均值在反问题中引入了先前的生物学知识。我们将在简化的玩具模型中对生物信息的惩罚进行基准使用其他正规化术语，例如Tikhonov，Lasso或复合惩罚。我们使用classical比较标准，例如目标重建误差或在害虫散布的jaccard距离。，但我们还使用了更多的任务标准，例如推理过程中的信息传感器数量。最后，在秋季军虫（Spodoptera Frugiperda）的农业景观中，在现实的有害生物侵扰的背景下解决了反问题。
年轻人常见心理健康问题的早期干预方法：系统评价
对儿童和年轻人的有效早期支持是重中之重。对患有精神病或饮食失调的年轻人的早期干预方法具有大量的证据，但是良好的方法可以对出现早期出现焦虑和抑郁症状的年轻人做出迅速，有效的反应。，我们对年轻人的早期干预措施或方法（11至25年）的结果进行了系统的审查，最初是抑郁症，焦虑症和其他常见心理健康困难的症状。搜索了五个书目和两个灰色文献数据库，以搜索与青年，早期干预和常见心理健康问题有关的论文。我们使用CASP清单进行了模型的叙事综合，并评估了质量。我们包括38项研究（43个出版物）：其中，随机对照试验是高质量的，但其他研究倾向于缺乏对照组，并且质量较低。广泛针对的方法为症状发作提供了更全面，更有效的早期反应，主要目标属于以下方面：1）使护理更全面且联合起来，2）提高速度或易于获得支持的速度或3），或3）除了焦虑和抑郁外，还提供针对特定需求的目标支持。一些证据表明，这些方法可能会在短期内促进并减少等待时间，同时减轻其他心理健康或紧急服务的负担。与对照组相比，与对照组相比，与对照组相比，与对照组相比，对照组的可接受性高。总体而言，早期干预抑郁和焦虑的模型表明，有望改善年轻人的获得，经验和护理结果。但是，干预措施和结果的高异质性测量了确定性。需要更强大的对照研究，以及年轻人通过干预获得的支持的全面详细信息，以及证据表明在哪些环境中有效。
基于信号概率的多数表决架构设计探索，用于空间应用中的 TMR 策略优化
摘要 – 硬件冗余是一种众所周知的容错技术，用于安全和任务关键型系统。然而，这种技术的强化效率依赖于多数表决电路的稳健性。本摘要提供了用于辐射环境（例如太空任务）的多数表决架构的设计探索。提出了一种基于信号概率的特定应用单事件瞬态 (SET) 特性，以优化三模冗余 (TMR) 块插入方法。结果表明，复杂门架构的 SET 横截面表现出较低的输入依赖性，而对于基于 NOR/NAND 的架构，由于逻辑掩蔽效应，观察到更高的依赖性。此外，与其他架构不同，NAND 表决器显示，随着信号概率的增加，SET 率会降低。考虑到信号概率 p = 0.1、p = 0.5 和 p = 0.9，两个分析轨道的最佳设计分别是 NOR、CMOS1 和 NAND 表决器。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。