XiaoMi-AI文件搜索系统
World File Search Systemverifying
跨多个模拟引擎验证生物模型
生物模型存储库包含来自已发表文献的1000多个手动策划的机械模型，其中大多数是在系统生物学标记语言（SBML）中编码的。这个基于社区的标准正式指定了每个模型，但没有描述运行模拟的计算实验条件。因此，仅使用SBML模型复制任何给定的数字或产生的任何给定数字或产生。模拟实验描述标记语言（SED-ML）提供了一个解决方案：一种准确指定如何运行与特定图形或结果相对应的特定实验的标准方法。生物模型是在SED-ML之前数年建立的，并且在内容和接受方面，这两个系统都随着时间的流逝而发展。因此，生物模型中只有大约一半的条目包含SED-ML文件，这些文件反映了当时可用的SED-ML版本。此外，几乎所有这些SED-ML文件至少都有一个小错误，使它们无效。为了使这些模型及其结果更可重复，我们在此处报告了工作更新，纠正和提供新的SED-ML文件，以针对生物模型中的1055个策划的机械模型提供新的SED-ML文件。此外，由于SED-ML是无关实现的，因此可以用于验证，证明在多个仿真引擎之间成立的结果。在这里，我们使用包装器体系结构来解释SED-ML，并报告五个基于不同ODE的生物仿真引擎的验证结果。我们与SED-ML和BioModels Collection的合作旨在通过使它们更可重现和可信来改善这些模型的实用性。
bcav：基于BERT和CNN笔记本电脑的集成在Clef 2024
抽象生成的AI作者身份验证旨在识别给定文本中人类撰写的文本。本文介绍了我们针对PAN 2024生成AI作者身份身份验证任务的方法。我们将这项任务框起来是单个文本的二进制分类问题。最初，我们利用数据增强技术来平衡最初的不平衡数据集并在单个文本上训练了模型。此外，我们采用了正则辍学方法来进一步优化模型训练。对于给定的文本，该模型分别处理每个文本以进行推理。最后，使用完全连接的层进行分类，选择具有较高人类自作者评分的文本作为答案。我们的方法在官方测试集上的平均得分为0.99。
正式验证Kyber：第V：机器检查Ind ...
摘要。我们提供了ML-KEM的正确性和IND-CCA安全性的正式验证的证明，即基于Kyber的键盘封装机制（KEM），该机制（KEM）正在接受NIST的标准化。证明是通过EasyCrypt进行机器检查的，其中包括：1）BOS等人之后的Kyber Base Base公开加密方案的正确性（解密失效概率）和IND-CPA安全性的形式化。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。 顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。 我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。在Euro S＆P 2018; 2）在随机甲骨文模型（ROM）中，富士基 - 奥卡马托转换的相关变体的形式化，该变换紧随其后（但不是完全）Hofheinz，HövelmannsandHövelmannsand Kiltz，tcc 2017； 3）证明了ML-KEM规范的Ind-CCA安全性及其作为KEM的正确性遵循了先前的结果； 4）两个正式验证的ML-KEM用Jasmin编写的实现，这些实现是恒定的，在功能上等同于ML-KEM规范，因此，因此，继承了上几点中建立的可证明的安全性保证。顶级定理给出了独立的混凝土界限，以使ML-KEM的正确性和安全性降低到模块lwe的（变体）。我们通过利用各种EasyCrypt功能来讨论它们如何模块化构建。
科罗拉多州 (CDPHE/AQD) 制定规则核实甲烷...
对工业活动的测量和监测工作正在帮助监管机构制定更准确的公共脱碳目标指南。采用新技术和新技术也有助于能源公司改善其运营的环境足迹。毕竟，甲烷排放是一种浪费的产品，它通过减少排放和增加产量使运营商受益。大多数预测者认为，石油和天然气至少在未来几十年内仍将是电力、运输和化学行业的重要能源。仅在科罗拉多州，石油和天然气行业就创造了 339,500 个工作岗位。一年内，石油和天然气为科罗拉多州经济贡献了 461 亿美元。天然气是一种宝贵的资产，没有人愿意浪费。(Bowser & Bazilian，2022)
开创验证 AI 模型公平性的新方法
该框架（本质上是一对算法）应用于模型的训练阶段，即模型从训练数据中“学习”时。这避免了与已经训练过的审计模型相关的潜在问题，例如审计员使用不代表训练数据的数据集来测试模型。该框架也是完全保密的：公司不需要向审计员透露其模型或训练数据，从而保护其知识产权。这是通过一种称为“零知识证明”的加密技术实现的，该技术允许一方在不透露数据的情况下证明有关其数据的陈述。
hax：使用多个...
摘要。我们提出了HAX，这是针对安全至关重要软件（例如加密库，协议实施，身份验证和授权机制）以及解析和消毒代码的验证工具链。HAX背后的关键思想是务实的观察者，即不同的验证工具可以更好地处理各种验证目标。因此，HAX支持多个证明后端，包括特定领域的安全分析工具，例如Proverif和Sprove，以及Coq和F*等通用证明助理。在本文中，我们介绍了HAX工具链，并展示如何使用它将Rust Code转换为不同抛弃的输入语言。我们描述了我们如何系统地测试翻译模型和生锈系统库的模型，以增强其正确性的信心。最后，我们简要概述了依赖HAX的各种正在进行的验证项目。
科罗拉多州 (CDPHE/AQD) 制定核实甲烷排放报告的规则
对工业活动的测量和监测工作正在帮助监管机构制定更准确的公共脱碳目标指南。新技术和新技术的采用也有助于能源公司改善其运营的环境足迹。毕竟，甲烷排放是一种浪费的产品，它通过减少排放和增加产量使运营商受益。大多数预测者认为，石油和天然气至少在未来几十年内仍将是电力、运输和化工行业的重要能源来源。仅科罗拉多州的石油和天然气行业就创造了 339,500 个工作岗位。一年内，石油和天然气为科罗拉多州的经济贡献了 461 亿美元。天然气是一种宝贵的资产，没有人愿意浪费。（Bowser & Bazilian，2022 年）
从 Lustre 到 Simulink：用于验证嵌入式系统应用程序的反向编译。
在构建嵌入式系统（更具体地说是控制器）时，基于模型的设计如今已不可避免。在可用的模型语言中，同步数据流范式（如 MATLAB Simulink 或 ANSYS SCADE 等语言中实现的）已成为关键嵌入式系统行业的主流。这两个框架都用于设计控制器本身，但也提供代码生成方法，从而能够更快地部署到目标，并在设计过程的早期阶段（模型级别）更轻松地执行 V&V 活动。同步模型还通过使用同步观察器简化了正式规范的定义，使用工程师掌握的同一种语言将需求附加到模型上，并使用模拟方法或代码生成工具。然而，很少有研究涉及从较低级别的模型或代码自动合成 MATLAB Simulink 注释。本文介绍了从 Lustre 模型到真正的 MATLAB Simulink 的编译过程，无需依赖外部 C 函数或 MATLAB 函数。此转换基于 Lustre 到命令式代码的模块化编译，并在生成的 Simulink 模型中保留输入 Lustre 模型的层次结构。我们实施了该方法并使用它来验证编译工具链，将 Simulink 映射到 Lustre，然后映射到 C，这要归功于等效性测试和检查。从 Lustre 到 Simulink 的反向编译还提供了自动生成 S
用Lyapunov屏障证书正式验证深钢筋学习控制器
摘要 - 深处增强学习（DRL）是一种强大的机器学习范式，用于生成控制自主系统的代理。但是，DRL代理的“黑匣子”性质限制了其在现实世界中关键应用程序中的部署。为代理行为提供强大保证的一种有前途的方法是使用神经Lyapunov屏障（NLB）证书，该证书是通过系统中学的功能，其属性间接地暗示着代理的行为。但是，基于NLB的证书通常很难学习，甚至更难验证，尤其是对于复杂的系统。在这项工作中，我们提出了一种新颖的方法，用于培训和验证基于NLB的离散时间系统证书。具体来说，我们引入了一种证书组成的技术，该技术通过策略性地设计一系列证书来简化高度复杂系统的验证。当通过神经网络验证引擎共同验证时，这些证书提供了正式的保证，即DRL代理都实现了其目标并避免了不安全的行为。此外，我们引入了一种用于证书过滤的技术，该技术大大简化了生成正式验证的证书的过程。我们通过案例研究证明了我们的方法的优点，该案例研究为DRL控制的航天器提供了安全性和livesice保证。