XiaoMi-AI文件搜索系统
World File Search System可观
Apex AIOPS基础架构可观察到确保...
APEX AIOPS基础架构可观察性，APEX AIOPS软件AS-A-Service的一部分，是AI驱动的应用程序，用于观察和预测分析Dell服务器，存储，数据保护，网络，网络和超频基础架构以及单个用户界面中的Dell Apex Multicloud Services。客户调查验证基础架构可观察性会速度解决最高10x 1
在部分可观察性下符合道德符合的自主系统
J7 N. Haghtalab，T。Roughgarden，A。Shetty。具有自适应对手的平滑分析。ACM期刊，即将出版。J6 N. Haghtalab，M.O。 Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J6 N. Haghtalab，M.O。Jackson，A.D。Procaccia。 在复杂世界中的信念两极分化：学习理论的观点。 proc。 国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Jackson，A.D。Procaccia。在复杂世界中的信念两极分化：学习理论的观点。proc。国家科学院，118（19）E2010144118，2021。 J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。 结构化稳健的supdodular最大化：离线和在线。 通知杂志有关计算的期刊，33（4）：1590–1607，2021。 J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。国家科学院，118（19）E2010144118，2021。J5 A. Torrico，M。Singh，S。Pokutta，S。Naor，N。Haghtalab，N。Anari。结构化稳健的supdodular最大化：离线和在线。通知杂志有关计算的期刊，33（4）：1590–1607，2021。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。 Schapire，V。Syrgkanis和J. Wortman Vaughan。 Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J4 M. Dud´ık，N。Haghtalab，H。Luo，R.E。Schapire，V。Syrgkanis和J. Wortman Vaughan。Oracle效率学习和拍卖设计。 ACM 67（5）：1-57，2020。 J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。Oracle效率学习和拍卖设计。ACM 67（5）：1-57，2020。J3 M.F. Balcan，N。Haghtalab和C. White。 k-扰动弹性下的中心聚类。 算法上的ACM交易，16（2）：1–30，2020。 J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。 无知几乎是幸福：几乎最佳的随机匹配与几个查询。 操作研究，68（1）：16–34，2020。 J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。 监视隐形扩散。 知识和信息系统，52（3）：1-29，2017。J3 M.F.Balcan，N。Haghtalab和C. White。k-扰动弹性下的中心聚类。算法上的ACM交易，16（2）：1–30，2020。J2 A. Blum，J.P。Dickerson，N。Haghtalab，A.D。Procaccia，T。Sandholm和A. Sharma。无知几乎是幸福：几乎最佳的随机匹配与几个查询。操作研究，68（1）：16–34，2020。J1 N. Haghtalab，A。Laszka，A.D。Procaccia，Y。Vorobeychik和Xenofon Koutsoukos。监视隐形扩散。知识和信息系统，52（3）：1-29，2017。
当地可观察性下的机器人任务计划-BROWN CS
摘要 - 现实世界的机器人任务计划是由于部分观察性而棘手的。一种降低复杂性的常见方法是将其他结构引入决策过程，例如混合可特性性，货运状态或时间扩展的动作。我们提出了可观察到的马尔可夫决策过程，这是一种新颖的公式，对任务级别的计划进行建模，其中不确定性与对象级别属性有关，以及机器人具有可寻求和准确观察对象的子例程。该模拟范围限制和视线线的传感器 - 被遮挡或外部传感器范围的传感器未观察到，但是可以通过重复观察来解决落入传感器视图之内的对象的属性。我们的模型会导致一个三阶段的计划过程：首先，机器人计划仅使用观察到的对象；如果失败，它会生成一个目标对象，如果观察到，可能会导致可行的计划；最后，它试图定位和观察目标，在每个新观察到的对象之后重新掌握。通过将LOMDP与现成的Markov计划者相结合，我们在面向对象的POMDP和MDP类似物的最先进的求解器具有相同的任务规范。然后，我们将公式应用于移动机器人成功解决任务。
使用分布式系统中的可观测性数据的机器学习和人工智能技术
机器学习模型可用于分析可观测性数据，以提高系统的可靠性、性能和安全性。以下是使用可观测性数据的机器学习模型的用例：• 异常检测：机器学习模型可用于检测可观测性数据中的异常，例如 CPU 使用率或内存使用率的突然飙升。这有助于在潜在问题导致停机或性能问题之前识别它们。• 根本原因分析：机器学习模型可用于使用可观测性数据来识别问题的根本原因，以加快故障排除过程并防止问题再次发生。• 预测性维护：ML 模型可以预测设备何时可能出现故障。这有助于在问题发生之前安排维护，从而防止停机和停机。
深度可观察性是零信任的基础
Gigamon Deep可观察性管道可为所有网络流量提供完整的可见性，无论是在本地，私人，虚拟，容器还是公共云环境中。至关重要的是，这包括对横向（东西方）流量的可见性以及虚拟机和容器之间的活动。Gigamon还使用高效的中央解密和我们的突破性Gigamon预晶TM技术提供了对加密流量的可见性。获取网络流量后，Gigamon将转换，优化和分发流量，以执行您的零信托策略的安全工具。
统一的可观察性：积极主动的旅程，自我...
IDC认为，在当前的数字优先格局中，它比以往任何时候都面临更具挑战性的任务，包括确保出色的数字体验以及从破坏中恢复的能力，几乎没有影响业务功能。由于组织越来越依赖复杂，动态，分布式和混合IT环境，因此他们遇到了来自各种孤立工具的指标，事件，日志和痕迹的压倒性涌入。从数据泛滥中提取及时的见解并采取必要的措施对于运营团队来说极具挑战性。但是，这些行动对于确保业务运营和增强整体客户体验至关重要。这些环境中数据的复杂性和数量通常会阻碍传统监测和管理方法的有效性，因此需要更复杂的集成解决方案。
对撞机物理的量子可观测量
1. Alice 和 Bob 分别测量 sa [ α ] 和 sb [ β ]。重复测量多次并计算 < sa .sb >。 2. 对 a 和 b' 重复 (1)。 3. 对 a' 和 b 重复 (1)。 4. 对 a' 和 b' 重复 (1)。
分子可观测量的容错量子计算
在过去的三十年中，使用量子计算机估算分子哈密顿量的基态能量的成本已显著降低。然而，人们很少关注估算其他可观测量相对于所述基态的期望值，而这对于许多工业应用来说非常重要。在这项工作中，我们提出了一种新颖的期望值估计 (EVE) 量子算法，该算法可用于估算任意可观测量相对于系统任何本征态的期望值。具体来说，我们考虑了两种 EVE 变体：基于标准量子相位估计的 std-EVE 和利用量子信号处理 (QSP) 技术的 QSP-EVE。我们对这两种变体都进行了严格的误差分析，并最小化了 QSP-EVE 的单个相位因子数量。这些误差分析使我们能够在各种分子系统和可观测量中为 std-EVE 和 QSP-EVE 生成常数因子量子资源估计。对于所考虑的系统，我们表明 QSP-EVE 可将 (Toffoli) 门数减少多达三个数量级，并将量子位宽度减少多达 25%，而标准 EVE 则可实现。虽然估计的资源数量对于第一代容错量子计算机来说仍然太高（对于所考虑的示例，大约在 10 14 到 10 19 个 Toffoli 门之间），但我们的估计对于期望值估计和现代 QSP 技术的应用而言都是同类中的首例。
不可观察的量子随机Oracle模型
由Bellare和Rogaway引入的随机Oracle模型（ROM）（CCS 1993）引入了许多（有效）加密原始词和协议的正式安全证明，并且在实践中具有很大的影响。但是，安全模型还依靠一些非常强大且非标准的假设，即对手如何与加密哈希功能相互作用，这在现实世界中可能是不现实的，因此可能导致人们质疑安全分析的有效性。例如，ROM允许自适应编程哈希功能或观察对手进行的哈希评估。我们在后量词设置中引入了随机甲骨文模型的基本弱变体，我们称之为非观察量子量子随机甲骨文模型（无QROM）。我们的模型比Boneh，Dagdelen，Fischlin，Lehmann，Schaffner和Zhandry（Asiacrypt 2011）或Ananth和Bhaskar提出的不可观察的随机甲骨文模型（Provsec 2013）所提出的使用了较弱的启发式方法。 同时，我们表明我们的模型是通过证明重要原始词的安全性（例如可提取的不可兑现的承诺，数字签名以及选择无QROM中的可提取的不可兑现的式公开加密）来确定许多加密方案的可行选择。使用了较弱的启发式方法。同时，我们表明我们的模型是通过证明重要原始词的安全性（例如可提取的不可兑现的承诺，数字签名以及选择无QROM中的可提取的不可兑现的式公开加密）来确定许多加密方案的可行选择。
用于可观测量计算的量子信息处理机
90095，美国 关键词：相干性作为逻辑变量；半导体胶体量子点；量子信息处理；二维电子光谱；李代数动力学；奇异值分解 *通讯作者：Raphael Levine，Raphy@mail.huji.ac.il