XiaoMi-AI文件搜索系统
World File Search System出处
半导体可追溯性和市场出处（邮票）
•支持和资金参与国际标准和政策（研讨会，高级欧盟/美国领导力同步）•建立资金计划和RFS，以进行可追溯性和出处，使我在关键基础设施和国家安全的有针对性的飞行员供应中供应，以建立关键的基础供应，以确保关注的市场偏好，以确保对关键的基础供应供应。
在2003 - 2004年发表的非常引用的生物医学论文的出处和资金
此预印本版的版权持有人于2025年3月5日发布。 https://doi.org/10.1101/2025.03.02.25323201 doi：medrxiv preprint
编码前建立出处
早期所有现代软件都依赖于其他软件组件 [1]。如图 1 所示，这些组件包括库、操作系统、构建工具和部署工具。作为规划过程的一部分，软件工程师决定使用哪些组件来构建他们的软件。这些依赖关系（以及它们所依赖的组件）创建了一个软件供应链，其中软件组件与其用户之间存在隐含的信任关系。当软件工程师决定在其软件中使用哪些组件时，他们也在决定要信任哪些组件。许多最近的网络安全攻击都利用了这些信任关系，针对软件组件和供应链 [1]。为此，许多研究人员提出了增强软件供应链安全性的建议。Okafor 等人的文献综述将这些建议总结为解决三个不同的属性：分离性以确保隔离一个组件中的故障、透明度以查看整个供应链以及有效性以表明组件没有被意外更改（完整性）[2]。综合起来，后两个属性可以描述单个软件组件和由此产生的供应链的出处。本文重点介绍一种用于软件组件出处的专门技术：软件签名。使用公钥加密的软件签名是确保工件来源的事实上的方法。
origo：通过恒定通信证明敏感数据的出处
运输层安全性（TLS）是为了保护客户端服务器通信的基础。但是，它不会将完整性保证扩展到数据真实性的第三方验证。如果客户端要介绍从服务器获得的数据，则无法说服任何其他方都没有篡改数据。tls oracles确保数据真实性超出了客户端服务器TLS连接，以便客户可以从服务器获得数据并确保没有服务器端修改的任何第三方的出处。通常，TLS Oracle在TLS会话中涉及第三方，验证者，以验证客户获得的数据是否已准确。TLS Oracles的现有协议依赖交互式协议，是通信繁重的。我们介绍Origo，这是一个不断通信的TLS Oracle。与先前的工作类似，Origo在TLS会话中介绍了第三方，并提供了一项协议，以确保TLS会话中传输的数据的真实性，而无需没收其机密性。与先前的工作相比，我们依赖于特定于TLS 1.3的复杂详细信息，这使我们能够在零知识证明（ZKP）内证明正确的密钥推导，身份验证和加密。与TLS 1.3的优化相结合，可以在在线阶段进行不断通信的有效协议。我们的工作将在线沟通减少375倍，在线运行时间最多可将在线运行时间降低4。6×，与先前的工作相比。
Provernf：在NERF中的每个点出处建模为随机字段
神经辐射场（NERFS）在各种应用程序中都表现出有希望的结果，已获得流行。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。 我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。 我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。 我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。
推进政策驱动数据主权和出处的隐私增强技术
数字数据是改善Internet服务的核心驱动力，并导致商业成功。采用新的在线服务和设备导致数字数据的增加，并改变了在线经济的潜力。直到数据泄漏，不知道分析，准确的营销以及侵犯人权的行为引起了对数字数据管理的担忧。今天，政府规范数字数据的主权，并对数字服务施加新的义务，以赋予消费者或最终设备的能力。对于许多新要求，问题仍然存在于是否以及如何在大规模上有效地实现新法律。除了新立法的趋势外，新兴的开放基础设施探索并重新评估了使用现代密码学的数字数据自主权。在这种情况下，具有关键原则以平衡数字数据的保护和透明度，加速了向分散和负责任的数据经济的转变，从而提供了关键原则。，但截至今天，开放的基础设施和随之而来的创新仍然孤立，尚未考虑改善现有协议。在本文中，我们在数据主权的背景下研究了宠物的潜力。根据我们的发现，我们寻求提高在线协议的事实上，以政策驱动和隐私意识的版本。我们的目标是为数据主权和出处提供有效的基础，以解决即将到来的合规性，责任和保护的困境。结果，我们的贡献提高了现状，如下所示。我们的第一个贡献确保了公共基础架构中数字数据和帐户的自决保护。此外，我们提出了隐私的身份验证方案，并使用它来创建负责任的在线互动。这些解决方案探讨了数据合规性的新方法，除了在数字数据上披露自我确定的事实。我们的下一个贡献目标数据出处协议，该协议将保管数据的所有权返回到最终设备。我们优化了隐私保护协议的效率，以验证数据出处并促进受约束环境中客户端部署。在这里，我们的第一个优化通过在网络对手较弱的环境中重新评估宠物的使用来提高带宽要求。此外，我们表明，在不对称的隐私设置中，诚实的佛罗里达人加密证明系统可以抵抗恶意对手。因此，我们获得了高效的CryptogPrahic证明计算的执行时间。我们的第三个贡献自动化了用户驱动政策对宠物计算电路的汇编。这样，我们减轻了托管数据控制器对代表用户定义，执行和维护数据政策的责任。本文中提供的贡献是对未来互联网的构建数据主权和符合策略的应用程序的核心构建块。
半导体供应链中的信任和出处BBS＃和Eidas 2.0
arf：体系结构参考框架是一个标准化框架，可提供根据EIDAS要求设计和管理体系结构的准则和最佳实践。其主要目标是确保不同系统之间的互操作性，同时保持一致性和与业务目标保持一致。
研究文章垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众关于人工智能 (AI) 图像生成器（如 DALL-E 和 Midjourney）的风险的大部分研究和讨论都集中在它们是否会被用来在政治话语中注入虚假信息。我们表明，垃圾邮件发送者和诈骗者（似乎是受到利润或影响力而不是意识形态的驱使）已经在使用 AI 生成的图像在 Facebook 上获得显著的关注。有时，Facebook Feed 会向既没有关注发布图片的页面也没有意识到图片是 AI 生成的用户推荐未标记的 AI 生成的图片，这凸显了随着 AI 模型的激增，需要提高透明度和出处标准。作者：Renée DiResta (1)、Josh A. Goldstein (2) 所属机构：(1) 美国斯坦福大学斯坦福互联网观察站，(2) 美国乔治城大学安全与新兴技术中心 引用方式：DiResta, R., & Goldstein, J. A. (2024)。垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众。哈佛肯尼迪学院 (HKS) 错误信息评论，5 (4)。收稿日期：2024 年 4 月 21 日。接受日期：2024 年 7 月 24 日。发表日期：2024 年 8 月 15 日。研究问题
研究文章 垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众 关于人工智能 (AI) 图像生成器（例如 DALL-E 和 Midjourney）的风险的大部分研究和讨论都集中在它们是否可用于将虚假信息注入政治话语。我们表明，垃圾邮件发送者和诈骗者（似乎是出于利润或影响力而不是意识形态的动机）已经在使用 AI 生成的图像在 Facebook 上获得显著的关注。有时，Facebook Feed 会向既不关注发布图像的页面也不意识到图像是 AI 生成的用户推荐未标记的 AI 生成的图像，这凸显了随着 AI 模型的激增，需要提高透明度和出处标准。作者：Renée DiResta (1)、Josh A. Goldstein (2) 所属机构：(1) 美国斯坦福大学斯坦福互联网观测站，(2) 美国乔治城大学安全与新兴技术中心 引用方式：DiResta, R., & Goldstein, J.A.(2024)。垃圾邮件发送者和诈骗者如何利用 Facebook 上的 AI 生成图像来增加受众。哈佛肯尼迪学院 (HKS) 错误信息评论，5 (4)。收到日期：2024 年 4 月 21 日。接受日期：2024 年 7 月 24 日。发布日期：2024 年 8 月 15 日。研究问题