XiaoMi-AI文件搜索系统
World File Search System可证明的
可证明的安全性和应用程序的新限制
摘要。我们提供了新的结果，表明无法证明Elgamal加密是CCA1-Secure，这是密码学中长期存在的开放问题。我们的结果归功于基于非常广泛的基于元减少的不可能结果，这是与有效重新融合的证人的随机自我可重新相关关系。我们开发的技术首次允许为挑战者在安全游戏结束时输出新的挑战语句的非常弱的安全概念提供不可能的结果。这可以用来最终解决过去仍然难以捉摸的加密型定义。我们表明，我们的结果具有广泛的适用性，通过将几种已知的加密设置作为随机自我重新还原和可重新传递关系的实例。这些设置包括一般的半态PKE和大型认证的同型单向双向物种。结果，我们还为Paillier和Damg˚ard-jurik的IND-CCA1安全性获得了新的不可能结果，以及许多单人反转假设（例如一摩尔DLOG或一元RSA假设）。
可验证且可证明的安全机器
摘要 - 培训后的机器学习旨在从机器学习模型的训练数据集中删除点：例如，当用户要求删除其数据时。虽然已经提出了许多未学习的方法，但没有一个使用户能够审核该过程。此外，最近的工作表明，用户无法仅凭检查模型参数的检查就无法验证其数据是否是从模型参数中删除的。而不是关于参数的推理，我们建议将可验证的删除学习视为安全问题。为此，我们提出了第一个对可验证的验证的加密定义，以正式捕获未学习系统的保证。在此框架中，服务器首先计算了该模型在数据集d上训练的证明。给定用户的数据点D要求删除，服务器使用未学习算法更新模型。然后，它提供了正确执行未学习和D /∈D'的证明，其中D'是新的训练数据集（即已删除了D）。我们的框架通常适用于我们作为可接受功能的不同学习技术。我们使用SNARKS和HASH链中的密码假设在框架中实例化协议。最后，我们为三种不同的学习技术实施了协议，并验证其对线性回归，逻辑回归和神经网络的可行性。
可证明的分布式加密应用程序的正确汇编
2使用加密协议的安全程序分区6 2.1概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.1.1标签推理。。。。。。。。。。。。。。。。。。。。。。。。。。。11 2.1.2协议选择。。。。。。。。。。。。。。。。。。。。。。。。。。11 2.1.3运行时。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 2.1.4威胁模型。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 2.2信息流控制。。。。。。。。。。。。。。。。。。。。。。。。。16 2.2.1用标签捕获攻击。。。。。。。。。。。。。。。。。。17 2.2.2委托。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 2.3源语言。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>21 2.3.1标签检查。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>23 2.4标签推断。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>26 2.4.1：标签connstraints。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>27 2.4.2主约束。。。。。。。。。。。。。。。。。。。。。。。28 2.4.3解决主约束。。。。。。。。。。。。。。。。。。。30 2.5协议选择。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 2.5.1协议分配的有效性。。。。。。。。。。。。。。。。。33 2.5.2协议分配的成本。。。。。。。。。。。。。。。。。。。。34 2.5.3计算最佳协议分配。。。。。。。。。35 2.6运行时系统。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。37 2.6.1协议组成。。。。。。。。。。。。。。。。。。。。。。。38 2.7实施。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。41 2.8评估。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 2.8.1表现力。。。。。。。。。。。。。。。。。。。。。。。。。。。45 2.8.2汇编的可伸缩性。。。。。。。。。。。。。。。。。。。。。45 2.8.3编译程序的性能。。。。。。。。。。。。。。。47 2.8.4安全标签的注释负担。。。。。。。。。。。。。。47 2.8.5运行时系统的开销。。。。。。。。。。。。。。。。。。。48 2.9相关工作。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。49
可证明的人工智能生成文本鲁棒水印
随着人工智能生成的文本越来越像人类书写的内容，检测机器生成文本的能力变得至关重要。为了应对这一挑战，我们提出了 GPTWatermark，这是一种强大而高质量的解决方案，旨在确定一段文本是否源自特定模型。我们的方法扩展了现有的水印策略，并采用固定组设计来增强对编辑和释义攻击的鲁棒性。我们表明，我们的带水印的语言模型在生成质量、检测正确性和针对规避攻击的安全性方面享有强有力的可证明保证。在各种大型语言模型 (LLM) 和不同数据集上的实验结果表明，我们的方法实现了卓越的检测准确率和可比的复杂度生成质量，从而促进了 LLM 的负责任使用。代码可在 https://github. com/XuandongZhao/GPTWatermark 获得。
通过量子假设测试的量子分类的最佳可证明的鲁棒性
量子机学习模型与其经典同行相比，有可能提供加速和更好的预测精度。然而，这些量子算法与它们的经典算法一样，也已被证明也很容易受到输入扰动的影响，尤其是对于分类问题。这些可能是由于嘈杂的实现而引起的，也可以作为最坏的噪声类型的对抗性攻击。为了开发防御机制并更好地理解这些算法的可靠性，在存在自然噪声源或对抗性操纵的情况下了解其稳健性至关重要。从量子分类算法涉及的测量值是自然概率的，我们发现并形式化了二进制量子假设测试与可证明可证明可靠的量子分类之间的基本联系。此链接导致紧密的鲁棒性条件，该条件对分类器可以忍受的噪声量构成约束，而与噪声源是自然的还是对抗性的。基于此结果，我们开发了实用协议以最佳证明鲁棒性。最后，由于这是针对最坏情况类型的噪声类型的鲁棒条件，因此我们的结果自然扩展到已知噪声源的场景。因此，我们还提供了一个框架来研究量子分类方案的可靠性，超出了对抗性，最坏情况的噪声场景。
桥接分配和对风险敏感的增强学习和可证明的后悔界限
s 2 ak遗憾的上限，其中s，a，k，h，t = kh和β分别代表状态，动作，情节，时间范围，总时间段数量和风险参数的数量。它与RSVI2（Fei等人，2021年）匹配，与新的分布分析有关，重点是回报的分布，而不是与这些回报相关的风险值。据我们所知，这是第一个遗憾的分析，即在样本复杂性方面桥接了DRL和RSRL。要解决无模型DRL算法中固有的计算算法，我们提出了一种带有分布表示的替代DRL算法。这种方法有效地表示使用重新定义的分布类别的任何有限分布。在保持既定的后悔界限的同时，它显着扩大了计算效率。
早期容错机制的量子算法
1. 量子比特的数量 2. 量子电路的深度 3. 样本复杂度 4. 经典的预处理和后处理 • 目标是在不同资源之间进行灵活的权衡 • 坚持可证明的最坏情况保证 + 添加关于