威廉·卡林顿 (William Carrington) 和布鲁克斯·皮尔斯 (Brooks Pierce) 在伊丽莎白·阿什 (Elizabeth Ash) 的协助下以及牛晓彤 (Xiaotong Niu) 和朱莉·托波列斯基 (Julie Topoleski) 的指导下编写了该文件。评论由 Damir Cosic、Molly Dahl、Elizabeth Cove Delisle、Sebastien Gay、Theresa Gullo、John McClelland、Noah Meyerson、Jaeger Nelson、Sam Papenfuss、Emily Stern、Jordan Trinh 和 Jeffrey Werling(均来自 CBO)以及 Martha Bailey(加州大学洛杉矶分校)、Maya Rossin-Slater(斯坦福大学)、Christopher Ruhm(弗吉尼亚大学)和 CBO 经济顾问小组 2021 年 11 月会议的参与者提供。外部审阅者的协助不意味着对最终产品负有任何责任;该责任完全由 CBO 承担。
自测试是一种仅基于其经典输入输出相关性来表征任意量子系统的方法,在独立于设备的量子信息处理以及量子复杂性理论中发挥着重要作用。先前关于自测试的研究需要假设系统的状态在仅执行本地测量且无法通信的多方之间共享。在这里,我们用单个计算受限方取代了多个非通信方的设置,这在实践中很难执行。具体来说,我们构建了一个协议,允许经典验证者稳健地证明单个计算受限的量子设备必须准备一个贝尔对并对其执行单量子位测量,直到对设备的状态和测量应用基础变化。这意味着在计算假设下,验证者能够证明单个量子设备内存在纠缠,这是一种通常与两个分离的子系统密切相关的属性。为了实现这一点,我们基于 Brakerski 等人首次引入的技术。 (2018)和 Mahadev (2018) 允许经典验证者约束量子设备的行为,假设该设备不会破坏后量子密码学。
图 5. 神经活动与患肢执行的运动相关。在 110 秒内,参与者被要求执行一系列左肢体运动(横坐标上描述)。口头运动指令用井号表示。栅格表示每个动作电位的时间。每个栅格下方显示标准化的综合发放率,由 21 中的“泄漏积分器”方程得出;标准化是通过将每个单元的脉冲序列在显示的时间段内的最大综合发放率除以实现的。相对于底部同时记录的单元(通道 62),顶部单元(通道 61)对于手挤压比腕伸展更活跃。参与者执行所有动作:这样的动作需要努力,他无法为每个提示保持一致的活动水平,并且表现出不同的反应时间。参与者很容易疲劳,需要他休息一下并调整姿势。
表 3-1. CD147 SHRNA 序列...................................................................................................................... 28
● 开发创新、有趣且有影响力的学习和参与机会 ● 开发、规划、设计和促进面向不同受众的引人入胜且易于访问的公共项目,包括针对儿童、青少年、成人和家庭的课程、营地和学习机会 ● 与策展团队合作开发的展览解说、节目和资源 ● 管理学校艺术家计划,包括聘请和管理合同艺术家,以及监督预订和评估程序 ● 创建和促进内部学校项目,包括参观和研讨会 ● 协调外展活动 ● 为所有人创造受欢迎且易于访问的体验,消除参与障碍 ● 与参展和社区艺术家建立关系并密切合作 ● 在整个社区发展和培养关系和伙伴关系
1 热那亚大学信息学、生物工程、机器人系统工程系 (DIBRIS),意大利热那亚 16145 2 意大利理工学院康复技术系,意大利热那亚 16163 3 波尔多大学 CNRS UMR 5218 IMS 实验室,法国塔朗斯 33405 4 伯尔尼大学伯尔尼大学医院神经病学系,瑞士伯尔尼 3012 5 堪萨斯大学医学中心康复医学系,美国堪萨斯州堪萨斯城 66103 6 堪萨斯大学医学中心兰登老龄化中心,美国堪萨斯州堪萨斯城 66103 7 国家核物理研究所 (INFN),意大利热那亚 16146 8 IKERBASQUE,巴斯克基金会,西班牙毕尔巴鄂 48009 9 Biocruces 健康研究所,西班牙巴拉卡尔多 48903 *通信地址:michela.chiappalone@unige.it (MC); timothee.levi@u-bordeaux.fr (TL) † 这些作者对这项工作做出了同等贡献。
自我测试是一种仅基于其classical输入输出相关性来表征任意量子系统的方法,并在独立于设备与设备无关的量子信息处理以及量子复杂性理论中起重要作用。进行自我测试的事务需要假设,即系统状态在仅构成本地测量且无法交流的多个政党之间共享。在这里,我们替换了多个非沟通各方的设置,这在实践中很难通过一个计算方面的政党实践。特别是,我们构建了一个协议,该协议允许经典的验证者可靠地证明单个计算界限的量子设备必须准备好铃铛对并在其上进行了单量测量,直到将其应用于设备状态和测量值的基础上。这意味着,在计算标题下,verifier能够证明纠缠的存在,纠缠是一种通常与两个分离的子系统密切相关的属性,在一个单个量子设备内。为了实现这一目标,我们以Brakerski等人提出的技术为基础。(2018)和Mahadev(2018),允许经典的Verifier限制假设该设备不会破坏量子后加密的量子设备的作用。
设备独立认证采用贝尔测试来保证设备正常运行,该测试仅基于观察到的测量统计数据,即不对设备的内部功能做出假设。当使用效率过低的设备实施这些贝尔测试时,必须后选择导致成功检测的事件,从而依赖于公平采样假设。本文我们讨论的问题是公平采样下设备独立认证还剩下什么。我们根据滤波器提供后选择的直观描述,并将公平采样假设定义为这些滤波器的一个属性,与参考文献 [1] 中引入的定义等同。当满足此假设时,后选择数据将通过理想实验重现,其中无损设备测量滤波状态,该状态可以通过局部概率图从实际状态获得。因此,可以就此滤波状态的量子特性得出可信的结论,并且可以可靠地使用相应的测量统计数据,例如,用于随机性生成或量子密钥分发。我们还探索了更强大的公平采样概念,从而得出结论:后选数据是通过无损检测获得的数据的公平表示。此外,我们表明,我们的结论在与精确公平采样有小偏差的情况下仍然成立。最后,我们描述了以前或可能在公平采样下用于贝尔型实验的设置,并确定了底层的设备特定假设。
超声是检测和鉴定乳腺癌的重要成像方式。尽管乳腺超声一直被证明可以检测出乳房 X 线摄影中隐藏的癌症,尤其是在乳房致密的女性中,但人们注意到乳腺超声具有很高的假阳性率。在这项研究中,我们提出了一种人工智能 (AI) 系统,该系统在超声图像中识别乳腺癌的准确度达到放射科医生的水平。为了开发和验证这个系统,我们整理了一个数据集,该数据集包含 2012 年至 2019 年间在纽约大学朗格尼健康中心接受检查的 143,203 名患者的 288,767 次超声检查。在由 44,755 次检查组成的测试集中,AI 系统的受试者工作特征曲线下面积 (AUROC) 达到 0.976。在一项读者研究中,AI 系统的 AUROC 高于十位获得委员会认证的乳腺放射科医生的平均水平(AUROC:AI 0.962,放射科医生 0.924 ± 0.02)。在 AI 的帮助下,放射科医生将假阳性率降低了 37.4%,并将要求的活检数量减少了 27.8%,同时保持了相同的敏感度水平。为了确认其通用性,我们在独立的外部测试数据集上对我们的系统进行了评估,结果显示其 AUROC 为 0.911。这凸显了 AI 在提高全球乳腺超声诊断的准确性、一致性和效率方面的潜力。
近年来,生成对抗网络 (GAN) 及其变体在图像合成领域取得了前所未有的成功。它们被广泛应用于合成面部图像,随着假货的传播和错误信息的滋生,这给人类带来了潜在的安全隐患。然而,这些人工智能合成的假脸的鲁棒检测器仍处于起步阶段,尚未准备好完全应对这一新兴挑战。在这项工作中,我们提出了一种名为 FakeSpotter 的新方法,该方法基于监测神经元行为来发现人工智能合成的假脸。对神经元覆盖和相互作用的研究成功表明,它们可以作为深度学习系统的测试标准,尤其是在遭受对抗性攻击的环境下。在这里,我们推测监测神经元行为也可以作为检测假脸的有效手段,因为逐层神经元激活模式可以捕获对假脸检测器很重要的更细微的特征。利用最先进的 GAN 合成的四种假脸并规避四种扰动攻击的实验结果证明了我们方法的有效性和鲁棒性。