XiaoMi-AI文件搜索系统
World File Search System可验证
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。
Miles Brundage、Shahar Avin、Jasmine Wang、Haydn Belfield、Gretchen Krueger 等人。迈向值得信赖的人工智能发展：支持可验证声明的机制。2020 年。�hal-03065927�
Miles Brundage 1† , Shahar Avin 3,2† , Jasmine Wang 4,29†‡ , Haydn Belfield 3,2† , Gretchen Krueger 1† , Gillian Hadfield 1,5,30 , Heidy Khlaaf 6 , Helen Runing , 7 th Fong 9 , Tegan Maharaj 4.28 , Pang Wei Koh 10 , Sara Hooker 11 , Jade Leung 12 , Andrew Trask 9 , Emma Bluemke 9 , Jonathan Lebensold 4.29 , Cullen O'Keefe 1 , Mark Koren 13 , Thé Ryff 14 , B. B. B. roglu 16 , Federica Carugati 17 , Jack Clark 1 , Peter Eckersley 7 , Sarah de Haas 18 , Maritza Johnson 18 , Ben Laurie 18 , Alex Ingerman 18 , Igor Krawczuk 19 , Amanda Askell 1 , Rosario Cammarota , Andrew Krueger 21 , David Kruger 27 lotte Stix 22 , Peter Henderson 10 , Logan Graham 9 , Carina Prunkl 12 , Bianca Martin 1 , Elizabeth Seger 16 , Noa Zilberman 9 , Seán Ó hÉigeartaigh 2,3 , Frens Kroeger 23 , Girish Sastry 1 , Rebecca Karian , 16 , Brian Well 12.7 , Elizabeth Barnes 1 , Allan Dafoe 12.9 , Paul Scharre 25 , Ariel Herbert-Voss 1 , Martijn Rasser 25 , Shagun Sodhani 4.27 , Carrick Flynn 8 , Thomas Krendl Gilbert 26 , Lisa Dyer 7 , Khan Khan , 27 us Anderljung 12
可验证的秘密共享来自对称密钥密码学，具有改善的乐观复杂性
摘要。在本文中，我们提出了可验证的秘密共享（VSS）方案，以确保同步模型中的任何诚实多数，并且仅使用对称键的加密工具，因此具有明显的后量词安全性。Compared to the state-of-the-art scheme with these features (Atapoor et al., Asiacrypt ‘23), our main improve- ment lies on the complexity of the “optimistic” scenario where the dealer and all but a small number of receivers behave honestly in the sharing phase: in this case, the running time and download complexity (amount of information read) of each honest verifier is polylogarithmic and the total amount of broadcast information by the经销商是对数；在Atapoor等人的上述工作中，所有这些复杂性都是线性的。同时，我们就“悲观”案件的先前工作保留了这些复杂性，在这种情况下，经销商或O（n）接收者会积极作弊。新的VSS协议在多方计算中引起了人们的关注，在多方计算中，各方以经销商的身份运行一个VSS，例如分布式关键生成协议。在Boneh等人的模型中，我们的主要技术手柄是多项式低度的分布式零知识证明。（加密’19），如果说明（在这种情况下为证人多项式评估）分布在几个验证者之间，则每个验证者都知道一个评估。使用类似于星期五的折叠技术（Ben-Sasson等，ICALP '18），我们构建了这样的证明，每个验证者都会接收到聚类信息并在Polylogarithmictim中运行。
牵着验证者：利用准线性资源实现可验证委托量子计算的新方案
本文的会议版本发表在第 48 届国际密码技术理论与应用会议 (EUROCRYPT 2019) 的论文集上。∗ 由 AFOSR YIP 奖项编号 FA9550-16-1-0495 和西蒙斯计算理论研究所的量子博士后奖学金资助。† 本工作部分是在 AG 加入 IRIF、CNRS/巴黎大学时进行的，在那里他得到了 ERC QCC 的支持，本工作部分是在 AG 加入 CWI 和 QuSoft 时进行的，在那里他得到了 ERC Consolidator Grant 615307-QPROGRESS 的部分支持。‡ 由 NWO Veni 创新研究基金 (项目编号 639.021.752) 资助； NWO Klein 资助项目编号为 OCENW.KLEIN.061；以及 CIFAR 量子信息科学计划。§ 由 NSF CAREER 资助项目 CCF-1553477、MURI 资助项目 FA9550-18-1-0161、AFOSR YIP 奖励编号 FA9550-16-1-0495 和 IQIM（NSF 物理前沿中心）（NSF 资助项目 PHY-1125565）以及戈登和贝蒂摩尔基金会（GBMF-12500028）提供支持。
SD-BLS：隐私保存选择性披露可验证的凭据，并具有不可链接阈值吊销
隐私违反撤销清单，我们认为匿名撤销是condicio condicio siin qua non to vasee，在数字身份和证书中是足够的隐私水平。在Eudi-arf或W3C-VC和BBS+中没有设计隐私的吊销系统。如果选择撤销战略的选择将向开发商开放，则可能会发生重大隐私违规的风险，例如，采用公共公共设备清单[7]。证书状态列表（CRL）的偏瘫使用介绍了主要与隐私相关的问题[8]，因为有关持有人的敏感信息从列表中泄漏。如果凭证可能是短暂的（通常不太重要的凭据），但不适用于数字识别文件，例如ID，驾驶执照，护照和社会保险号，而这些凭据更长或没有到期时间。我们观察到的国家标准的未来计划包括采用“ Bitstring”状态清单[9]，这些状态可能会授予隐私权。在SD-BLS中，我们设计了一种隐私的吊销机制，以消除持有人的信息的泄漏，并将撤销的治理委派给了多个撤销发行人的法定人数，这可能与证书发行人不同。
Lexis+ AI 提供安全的生成式 AI 工具，为律师提高效率、效力和可靠的结果 加拿大多伦多 – 2024 年 1 月 11 日 – 全球领先的信息和分析提供商 LexisNexis ® Legal & Professional 今天宣布推出 Lexis+ AI™ 的加拿大和英国商业预览版，这是一款旨在改变法律工作的生成式 AI 解决方案。Lexis+ AI 以我们大量准确且独家的加拿大法律内容和用例库为基础，将生成式 AI 的强大功能与专有的 LexisNexis 搜索技术相结合，可无缝浏览英语和法语法律内容。结果始终有可验证、可引用的权威支持。继 2023 年成功进行商业预览后，Lexis+ AI 现已在美国全面上市。Lexis+ AI 技术具有对话式搜索、深刻总结、智能法律起草和文档上传功能，所有这些都由最先进的加密和隐私技术提供支持，以确保敏感数据的安全。对话式搜索简化了复杂且耗时的法律研究流程，为各种法律查询提供了用户友好的搜索体验，并附带引文。这使律师能够有效、高效地开展研究。增强型摘要功能提供法律文件的自定义摘要，加快和指导深入分析。生成式文档起草功能可指导客户完成整个法律起草过程，并根据用户提示自动生成初稿。这一创新功能允许用户轻松修改语言和语气以满足他们的需求。此外，文档上传功能允许快速分析、摘要和提取法律文件中的关键见解。LexisNexis Legal & Professional Canada 首席执行官 Eric Wright 表示：“我们很高兴将这项变革性技术带给客户。Lexis+ AI 解决方案为加拿大律师提供了首创的工具，他们可以利用我们丰富、高质量的内容，大幅提高执业和业务的速度、质量和效率。” Lexis+ AI 产品专为加拿大法律专业人士量身定制，将支持英语和法语交互，让全国各地的用户能够访问唯一一部最新的国家法律百科全书《哈斯伯里法典》®、加拿大唯一的法国民法百科全书《Juris Classeur ®》以及独特的英文和法文评论、诉状、动议和 Facta 法庭文件和实用指南。LexisNexis Legal & Professional 英国和 CEMEA LNNA 首席技术官 Philippe Poignant 表示：“LexisNexis 在使用人工智能技术方面拥有丰富的第一手经验，包括直接与主要的 LLM 创建者和值得信赖的云提供商合作，以开发更快、更准确、更透明和安全的生成式 AI 解决方案。”“作为法律人工智能和分析领域的领导者，我们最有能力提供这些先进技术，以加速客户的成功。” LexisNexis 正在负责任地开发法律人工智能解决方案，并由人工监督。作为 RELX 的一部分，LexisNexis 遵循 RELX 负责任的人工智能原则，考虑其解决方案对人们的实际影响，并采取行动防止产生或强化不公平的偏见。该公司对法律行业数据安全和隐私的承诺已超过 50 年。LexisNexis 雇佣了 2,000 多名技术专家、数据科学家和主题专家来开发、测试和验证其解决方案并提供全面、准确的信息。与此同时，LexisNexis Canada 宣布了其 Lexis+ AI Insider 计划，该计划面向全国的法律专业人士开放。该计划旨在通过生成性人工智能教育和 LexisNexis Canada 关于最新人工智能发展的突发新闻来支持法律行业。内部人士可以注册
Lexis+ AI 提供安全的生成式 AI 工具，为律师提高效率、效力和可靠的结果 加拿大多伦多 – 2024 年 1 月 11 日 – 全球领先的信息和分析提供商 LexisNexis ® Legal & Professional 今天宣布推出 Lexis+ AI™ 的加拿大和英国商业预览版，这是一款旨在改变法律工作的生成式 AI 解决方案。Lexis+ AI 以我们大量准确且独家的加拿大法律内容和用例库为基础，将生成式 AI 的强大功能与专有的 LexisNexis 搜索技术相结合，可无缝浏览英语和法语法律内容。结果始终有可验证、可引用的权威支持。继 2023 年成功进行商业预览后，Lexis+ AI 现已在美国全面上市。Lexis+ AI 技术具有对话式搜索、深刻总结、智能法律起草和文档上传功能，所有这些都由最先进的加密和隐私技术提供支持，以确保敏感数据的安全。对话式搜索简化了复杂且耗时的法律研究流程，为各种法律查询提供了用户友好的搜索体验，并附带引文。这使律师能够有效、高效地开展研究。增强型摘要功能提供法律文件的自定义摘要，加快和指导深入分析。生成式文档起草功能可指导客户完成整个法律起草过程，并根据用户提示自动生成初稿。这一创新功能允许用户轻松修改语言和语气以满足他们的需求。此外，文档上传功能允许快速分析、摘要和提取法律文件中的关键见解。LexisNexis Legal & Professional Canada 首席执行官 Eric Wright 表示：“我们很高兴将这项变革性技术带给客户。Lexis+ AI 解决方案为加拿大律师提供了首创的工具，他们可以利用我们丰富、高质量的内容，大幅提高执业和业务的速度、质量和效率。” Lexis+ AI 产品专为加拿大法律专业人士量身定制，将支持英语和法语交互，让全国各地的用户能够访问唯一一部最新的国家法律百科全书《哈斯伯里法典》®、加拿大唯一的法国民法百科全书《Juris Classeur ®》以及独特的英文和法文评论、诉状、动议和 Facta 法庭文件和实用指南。LexisNexis Legal & Professional 英国和 CEMEA LNNA 首席技术官 Philippe Poignant 表示：“LexisNexis 在使用人工智能技术方面拥有丰富的第一手经验，包括直接与主要的 LLM 创建者和值得信赖的云提供商合作，以开发更快、更准确、更透明和安全的生成式 AI 解决方案。”“作为法律人工智能和分析领域的领导者，我们最有能力提供这些先进技术，以加速客户的成功。” LexisNexis 正在负责任地开发法律人工智能解决方案，并由人工监督。作为 RELX 的一部分，LexisNexis 遵循 RELX 负责任的人工智能原则，考虑其解决方案对人们的实际影响，并采取行动防止产生或强化不公平的偏见。该公司对法律行业数据安全和隐私的承诺已超过 50 年。LexisNexis 雇佣了 2,000 多名技术专家、数据科学家和主题专家来开发、测试和验证其解决方案并提供全面、准确的信息。与此同时，LexisNexis Canada 宣布了其 Lexis+ AI Insider 计划，该计划面向全国的法律专业人士开放。该计划旨在通过生成性人工智能教育和 LexisNexis Canada 关于最新人工智能发展的突发新闻来支持法律行业。内部人士可以注册
选举守卫：一个加密工具包可以启用可验证...
选举守卫是一套灵活的开源工具，当与传统选举制度一起使用时，可以通过观察员，候选人，媒体甚至选民本身来验证端到端可验证的选举。选举守卫已被整合到各种系统中，并在威斯康星州，加利福尼亚，爱达荷州，犹他州和马里兰州的实际公共选举中以及美国国会的核心小组选举中使用。它也已在巴黎郊区的Neuilly-Sur-Seine郊区以及由瑞士/丹麦的组织进行在线选举中进行了公民投票。选举守卫的主要创新是加密工具与投票系统的核心力学和用户界面的分离。这种分离允许安全专家设计和构建加密的，而无需重新发明和替换现有的基础架构。的确，在其首选部署中，选举守卫并没有重新安置现有的投票，而是与基础架构进行统计，而是与自己的独立可验证的级别一起运行。尽管通过设计而非新颖的是，但在选举守卫中的许多加密图是引入了一些重要的创新，这极大地简化了验证过程。本文描述了选举守卫的设计，其创新以及许多从实施和不断增加的现实部署中的学习。
朝向可验证的多代理交互模式规范
指定交互式多代理任务是一项长期的软件工程挑战[6]。规格应足够高，以保持可访问性和明确的可及以确保所得软件组件的可靠性。本文通过介绍基于DSL的工具链的基础特征来解决此问题（见图1）称为LIRAS 1，用于指定多代理交互模式。里拉（Liras）被开发为域 - 不可思议的，并且相对于所涉及的代理的数量和性质（例如，基于软件或人类）以及构成模式的动作数量和类型。代理因其提供的原始技能集而有所不同（例如，为机器人移动或为四轮驱动器打开发动机）。在里拉斯（Liras）中，这些技能被安排为模式。根据图1，定义技能集需要专家实践者的干预，而模式规范则设计为非专家用户可以访问。在里拉斯（Liras）中，代理之间的同步动力学的语义基于确定性有限状态自动机（DFA），构成了可符合模型对模型转换和正式验证的规格的这一方面。具体而言，可以通过Uppaal工具[11]验证了涉及同步定义明确的属性。该工具链的此阶段仅针对有关模式的逻辑和结构声音的属性（例如，具有冲突目标的技能），因此不涉及相应的网络物理系统的物理组成部分。环境）。几个里拉斯规格构成模式库。在以下内容中，我们将任期任务作为一系列模式。可以使用所谓的和经过验证的模式库，用于更广泛的任务规范和正式的分析工具链外部和与里拉斯（例如[12]中介绍的）脱钩。latter设想文本DSL（与里拉斯分开），以指定涉及人和机器人代理的错误，特别关注人类机器人相互作用。此类DSL当前从预先确定和固定的集合中利用人类机器人的交互模式，从而限制了该框架对现实生活的适用性。可以通过进口里拉斯模式来指定任务来克服这种缺点。我们指出，假定操作环境的规范（例如，布局和关注点）是独立于LIRAS完成的（即，LIRAS模式是参数W.R.T.在更广泛的框架内，最终的任务指定会自动转换为基于随机混合自动机的形式模型[5]。如果要进口自定义的里拉斯交互模式，正式模型的自动生成将意味着起草新定义的模式的每个自定义技能的正式模型，这需要专家用户的输入。任务的正式模型是统计模型检查[5]以计算质量指标
OPSA：带有TEE的有效且可验证的一通安全聚合用于联合学习
摘要 - 在联合学习，安全的聚合（SA）促成（S＆P'23）和Lerna（Asiacrypt'23）等诸如恶意模型中已实现了有效的多轮SA。但是，他们的每一轮聚合需要至少三个客户服务器往返通信，并且缺乏对聚合结果验证的支持。可验证的SA方案，例如Versa（TDSC'21）和Eltaras等。（TIFS'23），根据服务器不与任何用户相关的安全性假设提供可验证的聚合结果。尽管如此，这些方案会产生高沟通成本，并且缺乏对有效的多轮聚合的支持。完全在SEAR中（TDSC'22）中完全在受信任的执行环境（TEE）中执行SA，可以保证隐私和可验证的聚合。但是，T恤中的有限物理内存带来了重要的计算瓶颈，尤其是在汇总大型模型或处理众多客户时。在这项工作中，我们介绍了OPSA，这是一种基于TEE的多轮安全聚合框架，以实现有效的通信，简化的计算和可验证的聚合。OPSA采用了一种新的策略，可以在TEE中揭示共享键，并实例化两种类型的掩盖方案。 此外，结果验证模块设计为与在OPSA框架下实例化的任何类型的SA协议兼容，并且安全性假设较弱。 与最先进的方案相比，OPSA在多轮聚集中达到了2个〜10×速度，同时也支持结果验证。OPSA采用了一种新的策略，可以在TEE中揭示共享键，并实例化两种类型的掩盖方案。此外，结果验证模块设计为与在OPSA框架下实例化的任何类型的SA协议兼容，并且安全性假设较弱。与最先进的方案相比，OPSA在多轮聚集中达到了2个〜10×速度，同时也支持结果验证。OPSA对具有高网络延迟和大规模模型聚合的方案更友好。
verif.ai：迈向带有参考和可验证答案的开源科学生成的提问系统
混合搜索利用词汇和语义搜索的优势，有效地找到具有精确匹配和类似含义的文档。y timiquel y优先级文档，并提供了平衡的方法。