XiaoMi-AI文件搜索系统
World File Search System可信
aratrust：对阿拉伯语中LLM的可信赖性的评估
迅速的进步和广泛接受人工智能（AI）系统突出了一个紧迫的要求，以理解与AI相关的能力和潜在风险。鉴于AI研究中Arabic的语言复杂性，文化丰富性和代表性不足的状态，因此需要重点关注大型语言模型（LLMS）的效果和安全性。尽管他们的发展进展有所进展，但缺乏全面的信任评估基准，这在准确评估和证明阿拉伯语提示时提出了LLM的安全性。在本文中，我们介绍了Aratrust 1，这是阿拉伯语LLM的第一个全面的可信赖台。Aratrust包括522个人工编写的多项选择问题，这些问题解决了与真理，道德，隐私，非法活动，人类健康，身体健康，身体健康，不公平和冒犯性语言有关的各种维度。我们评估了针对我们的基准测试的一组LLM，以评估其可信度。gpt-4是最值得信赖的LLM，而开源模型（特别是ACEGPT 7B和JAIS 13B）努力在我们的基准测试中取得60％的分数。
建议引用：Azzutti, Alessio (2022)：人工智能驱动的市场操纵和欧盟执法制度对可信威慑的限制，ILE 工作论文系列，第 54 号，汉堡大学，法学与经济研究所 (ILE)，汉堡
与欧盟经济体的许多其他部门一样，“人工智能”（AI）已进入金融服务业，成为游戏规则改变者。资本市场交易无疑是最有前途的人工智能应用领域之一。事实上，越来越多的金融市场参与者已经在算法交易的范围内采用人工智能工具。虽然人工智能交易有望带来多项效率提升，但由于特定“机器学习”方法的技术特殊性和相关的额外不确定性，它也可能带来前所未有的风险。本研究重点关注人工智能驱动的市场操纵的新风险和新兴风险，批判性地评估了欧盟反操纵法和执法制度实现可靠威慑的能力。它认为，人工智能交易目前在（准）无法无天的市场环境中运行，最终有可能危及欧盟资本市场的完整性和稳定性。它展示了“威慑理论”如何作为一个规范框架，思考创新解决方案，以解决当前欧盟法律框架在打击人工智能驱动的市场操纵方面的诸多缺陷。最后，本研究建议通过一系列政策建议改进现有的欧盟反操纵法律和执法。即，（i）改进的“以伤害为中心”的操纵定义；（ii）改进的“多层次”人工智能驱动操纵责任制度；（iii）通过引入市场操纵“赏金猎人”，建立一种新颖的“混合”公私执法机构架构。
可信人工智能：关于私人数据的使用
摘要：在数字化和全球竞争的背景下，人工智能再次成为人们关注的焦点。人类伦理、监管以及该技术领域为经济和社会进步带来的潜在收益之间的紧张关系也日益凸显。本文旨在为关于人工智能中私人数据使用机会和不确定性的持续辩论做出贡献。我们讨论了人工智能成果的有效性，以及人工智能输入的数据质量。我们首先区分了人工智能系统的商业、公共、工业和科学数据领域。我们回顾了人工智能利用和保护大量私人数据的道德和监管方法。关于目前组织数据收集和保护的首选方式，我们分别引用了分布式账本系统和开放数据空间作为功能手段。我们最后认为，通过区分不同的人工智能数据领域来管理数据隐私和质量将能够在这两个方面实现合理的平衡。
HCDT 2.0：一个高度可信的药物靶点数据库...
在药物治疗过程中，药物通过靶向基因、RNA 和通路影响细胞的作用和反应，药物-靶标相互作用对于阐明药物作用机制和促进药物研发至关重要。目前，存在许多药物-靶标相关数据库，但它们在结构和功能上相互独立，缺乏一致性。在 HCDT 1.0 中，我们收集了高度可信的药物与靶基因相互作用。在此基础上，我们开发了 HCDT 2.0，这是一个更新版本，它整合了药物-基因数据，并扩展到包括涉及药物-RNA 和药物-通路的相互作用。它涉及 20 个药物相关数据库，使用一致的标识符对药物、RNA、基因和通路名称进行标准化，以确保数据的一致性。在 HCDT 2.0 中，共识别出 1,304,370 个高可信度药物-靶标相互作用，其中包括 678,564 种药物与 7,297 个基因之间的 1,244,791 个相互作用、316 种药物与 6,430 个 RNA 之间的 11,770 个相互作用以及 6,290 种药物与 3,143 个通路之间的 47,809 个药物-通路相互作用。它将在预测药物疗效和不良反应、开发新型治疗策略和促进药物再利用方面发挥重要作用。
法德关于“加速工业人工智能和可信度”的立场文件
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
通过可信赖的气候数据推动可持续增长
本出版物的内容仅用于信息目的。LSE组从认为是准确和可靠的来源获得了本出版物中包含的所有信息和数据。由于人类和机械错误以及其他因素的可能性，因此提供了“原样”此类信息和数据，而无需任何保证。您理解并同意该出版物并不构成任何性质的建议。在任何情况下，您都不可能依靠本文档的内容，并且应该寻求有关任何特定安全性，投资组合或投资策略的适用性，价值或盈利能力的独立法律，税收或投资建议或意见。我们和我们的分支机构都不应对出版物或任何其他内容中的任何错误，不准确或延误，或您对您所采取的任何行动的任何责任负责。您明确同意您对出版物及其内容的使用均具有您的唯一风险。
对候选可信数字存储库进行审计和认证的机构的要求
– 奥地利空间局 (ASA)/奥地利。 – 比利时科学政策办公室 (BELSPO)/比利时。 – 中央机械制造研究院 (TsNIIMash)/俄罗斯联邦。 – 中国卫星发射和跟踪控制总院、北京跟踪和通信技术研究所 (CLTC/BITTT)/中国。 – 中国科学院 (CAS)/中国。 – 中国空间技术研究院 (CAST)/中国。 – 英联邦科学与工业研究组织 (CSIRO)/澳大利亚。 – 丹麦国家空间中心 (DNSC)/丹麦。 – 航空航天科学和技术部 (DCTA)/巴西。 – 电子和电信研究所 (ETRI)/韩国。 – 欧洲气象卫星应用组织 (EUMETSAT)/欧洲。 – 欧洲通信卫星组织 (EUTELSAT)/欧洲。 – 地理信息和空间技术发展局 (GISTDA)/泰国。 – 希腊国家空间委员会 (HNSC)/希腊。 – 希腊空间局 (HSA)/希腊。 – 印度空间研究组织 (ISRO)/印度。 – 空间研究所 (IKI)/俄罗斯联邦。 – 韩国航空宇宙研究院 (KARI)/韩国。 – 通信部 (MOC)/以色列。 – 穆罕默德·本·拉希德航天中心 (MBRSC)/阿拉伯联合酋长国。 – 国家信息和通信技术研究所 (NICT)/日本。 – 国家海洋和大气管理局 (NOAA)/美国。 – 哈萨克斯坦共和国国家空间局 (NSARK)/哈萨克斯坦。 – 国家空间组织 (NSPO)/中国台北。 – 海军空间技术中心 (NCST)/美国。 – 荷兰空间办公室 (NSO)/荷兰。 – 粒子与核物理研究所 (KFKI)/匈牙利。 – 土耳其科学技术研究理事会 (TUBITAK)/土耳其。 – 南非国家空间局 (SANSA)/南非共和国。 – 空间与高层大气研究委员会 (SUPARCO)/巴基斯坦。 – 瑞典空间公司 (SSC)/瑞典。 – 瑞士空间办公室 (SSO)/瑞士。 – 美国地质调查局 (USGS)/美国。
可信数字存储库的审计和认证
– 奥地利空间局 (ASA)/奥地利。 – 比利时科学政策办公室 (BELSPO)/比利时。 – 中央机械制造研究院 (TsNIIMash)/俄罗斯联邦。 – 中国卫星发射和跟踪控制总院、北京跟踪和通信技术研究所 (CLTC/BITTT)/中国。 – 中国科学院 (CAS)/中国。 – 中国空间技术研究院 (CAST)/中国。 – 英联邦科学与工业研究组织 (CSIRO)/澳大利亚。 – 丹麦国家空间中心 (DNSC)/丹麦。 – 航空航天科学和技术部 (DCTA)/巴西。 – 电子和电信研究所 (ETRI)/韩国。 – 埃及空间局 (EgSA)/埃及。 – 欧洲气象卫星应用组织 (EUMETSAT)/欧洲。 – 欧洲通信卫星组织 (EUTELSAT)/欧洲。 – 地理信息和空间技术发展局 (GISTDA)/泰国。 – 希腊国家空间委员会 (HNSC)/希腊。 – 希腊空间局 (HSA)/希腊。 – 印度空间研究组织 (ISRO)/印度。 – 空间研究所 (IKI)/俄罗斯联邦。 – 韩国航空宇宙研究院 (KARI)/韩国。 – 通信部 (MOC)/以色列。 – 穆罕默德·本·拉希德航天中心 (MBRSC)/阿拉伯联合酋长国。 – 国家信息和通信技术研究所 (NICT)/日本。 – 国家海洋和大气管理局 (NOAA)/美国。 – 哈萨克斯坦共和国国家空间局 (NSARK)/哈萨克斯坦。 – 国家空间组织 (NSPO)/中国台北。 – 海军空间技术中心 (NCST)/美国。 – 荷兰空间办公室 (NSO)/荷兰。 – 粒子与核物理研究所 (KFKI)/匈牙利。 – 土耳其科学技术研究理事会 (TUBITAK)/土耳其。 – 南非国家空间局 (SANSA)/南非共和国。 – 空间与高层大气研究委员会 (SUPARCO)/巴基斯坦。 – 瑞典空间公司 (SSC)/瑞典。 – 瑞士空间办公室 (SSO)/瑞士。 – 美国地质调查局 (USGS)/美国。
联合学习可增强 5G 和 6G 网络的网络安全性和可信度：综合调查
摘要 在快速发展的无线通信领域，即将到来的 6G 网络有望彻底改变我们的通信方式，提供无与伦比的速度、最小的延迟和无缝连接。然而，在这一演变过程中，人们最关心的仍然是穿越这些网络的数据的安全性和隐私性。传统的集中式人工智能 (AI) 技术已经难以跟上未来 6G 网络的海量数据，并应对日益增长的隐私担忧。联邦学习 (FL) 是可信人工智能 (TAI) 的关键推动因素，它使分布式网络节点能够参与人工智能训练，而无需交换原始数据，从而降低了与集中式数据处理相关的风险。在本文中，我们对 FL 在增强 6G 网络安全性方面的潜力进行了全面的调查。特别是，我们首先提供有关 5G 网络和 FL 的必要背景知识，为理解它们当前和未来的影响奠定基础。然后，我们探讨 5G 网络中 FL 应用的当前最新进展及其与 6G 未来威胁形势的相关性。随后，我们研究了 FL 系统的固有漏洞、5G 网络背景下针对 FL 的主要攻击以及相应的防御机制。最后，我们讨论了先进的 FL 技术和概念的集成，以增强 6G 网络的网络安全和隐私，旨在涵盖即将到来的 6G 威胁形势背景下 FL 的所有方面和未来前景。
莱茵衣藻 CLiP2 突变体集合通过高可信度破坏等位基因扩大基因组覆盖范围
作者：Alice Lunardon 1*、Weronika Patena 1*、Cole Pacini 1、Michelle Warren-Williams 1、Yuliya Zubak 1、Matthew Laudon 2、Carolyn Silflow 2、Paul Lefebvre 2、Martin Jonikas 1,3 1 普林斯顿大学，新泽西州，美国；2 明尼苏达大学，明尼苏达州，美国；3 霍华德休斯医学研究所 * 这些作者贡献相同。摘要。莱茵衣藻（以下简称衣藻）是研究光合作用、纤毛运动和其他细胞过程的有力模式生物 [1–4]。已映射的核随机插入突变体的 CLiP 文库 [5,6] 通过提供目标基因的突变体，加速了数百个实验室在这些领域的进展。然而，由于其对高置信度破坏等位基因的基因组覆盖率有限（46% 的核蛋白编码基因在外显子/内含子中具有 1+ 高置信度等位基因；12% 的基因在外显子/内含子中具有 3+ 等位基因），因此其价值受到限制。我们在此介绍 CLiP2（衣藻文库计划 2）文库，它大大扩展了可用的已映射高置信度插入突变体的数量。CLiP2 文库包含 71,700 个菌株，覆盖 79% 的核蛋白编码基因在外显子/内含子中具有 1+ 高置信度等位基因，以及 49% 的基因在外显子/内含子中具有 3+ 等位基因。社区可通过衣藻资源中心获取突变体。