XiaoMi-AI文件搜索系统
World File Search System子图
GraphiQ：光子图状态的量子电路设计
光子图态的生成主要有两种方法：概率法和确定性法。在概率法情况下，使用线性光学、探测器和后选择实现的融合门 [12、13]，从小的纠缠态构建图态。然而，考虑到融合的概率性质，所需资源会随着图态大小呈指数增长 [14]。另一方面，确定性方法利用发射体（如量子点、捕获离子或金刚石中的氮空位中心 [15]）之间的纠缠操作，直接生成图态，而无需概率融合。最近使用此类架构进行的实验演示 [ 16 ] 已达到令人印象深刻的里程碑，例如，生成 10 量子比特线性簇状态 [ 17 , 18 ] 和 14 量子比特 Greenberger–Horne–Zeilinger (GHZ) 状态 [ 19 ]。还有各种基于量子发射器的方法的理论提案，用于生成二维图状态 [ 15 , 20 – 22 ]。由于量子发射器相干时间的限制及其耦合方面的挑战，通过此类方法生成的图状态仍然太小，无法用于许多实际应用。
子图结构对图神经网络的成员推理攻击
图形神经网络（GNN）已被广泛应用于不同域之间的变量应用。但是，最近的研究表明，GNN易受成员推理攻击（MIA）的影响，该攻击旨在推断该模型的培训数据中包括某些特定的数据样本。虽然大多数先前的MIA都集中在训练图内的单个节点和边缘的成员中，但我们引入了一种新型的成员推理攻击形式，称为结构成员推理攻击（SMIA），该攻击（SMIA）旨在确定一组特定的目标结构，例如某个特定目标结构，例如集团或多跳训练图中的特定目标结构。为了解决此问题，我们提出了新颖的黑盒SMIA攻击，这些攻击利用了目标GNN模型产生的推理的预测输出。我们的方法涉及培训三标签分类器，该分类器与影子训练相结合，有助于加入推理攻击。我们对三种代表性GNN模型和三个现实世界图数据集的广泛实验评估表明，我们提出的攻击始终超过三个基线方法，包括采用常规链接成员资格推理攻击来推断子图结构的方法。此外，我们设计了一种防御机制，将扰动引入节点嵌入，从而影响了目标模型的相应预测输出。我们的防御选择性地覆盖了节点床中的尺寸，这些尺寸对模型的准确性影响最小。我们的经验结果表明，我们的方法的防御效力与两种既定的防御技术相媲美，这些技术采用了差异隐私。此外，与现有的两种防御方法相比，我们的方法在防御强度和目标模型的准确性之间取得了更好的权衡。
模糊，直觉模糊和中性粒子图的能量
对文献的综述深入研究了模糊图，直觉模糊图和中性粒细胞图的能量测量和决策过程之间的复杂相互作用。在图理论中，能量是用于测量结构特性并评估决策模型动力学的关键数量。考虑到涉及决策的上下文中能量测量的理论基础，计算技术和实际应用的理论基础，考虑到模糊，直觉模糊和中性粒细胞图模型所带来的特殊特征。本综述试图为希望使用能量度量的研究人员和从业者提供彻底的理解，以在这些特定图形拓扑结构中综合先前的研究中，以设置这些特定图形拓扑内包含的不确定性。
基于 Fisher-... 的量子图像加密算法
量子计算的并行计算能力和量子比特的特殊性质为图像处理任务提供了有效的解决方案。本文提出了一种基于Fisher-Yates算法和Logistic映射的量子图像加密算法。首先利用Fisher-Yates算法生成三个密钥序列，其中一个密钥序列用于对图像的坐标量子比特进行编码。利用另外两个密钥和预设规则，基于编码后的坐标量子比特设计量子坐标置乱操作，对明文图像的空间信息进行有效的置乱。接下来，生成另一组密钥序列，其中一个密钥序列用于对图像的颜色量子比特进行编码。利用另外两个密钥序列和不同的规则，设计了一种基于编码颜色量子比特的量子比特平面置乱操作，成功对图像的颜色信息进行了置乱。最后基于Logistic映射生成量子密钥图像，并基于Fisher-Yates算法对密钥图像进行置乱，以提高密钥复杂度。将原图像与置乱后的密钥图像进行异或运算，得到最终的密文图像。给出了该方案的完整量子电路图。实验结果和安全分析证明了该方案的有效性，该方案提供了很大的密钥空间，计算复杂度仅为O(n)。
COPPA 理论与政策分析 - AIS 电子图书馆
儿童数据隐私和人工智能生成的数据版权的作用是当今智能社区中的一个重要话题。政策制定者、信息安全学者和家长必须在儿童的隐私权和成长与未来互联网上潜在的人工智能数据版权侵权之间取得平衡。本文的目的是提高人们对未来潜在的人工智能生成的儿童数据隐私版权侵权的认识。通过对信息流、隐私和活动理论的考察，本研究确定了儿童数据隐私保护来源以及潜在的人工智能儿童数据版权侵权机会。此外，本研究对 76 项公共隐私政策进行了基准测试，以将儿童数据隐私文献与现实世界的政策趋势进行对比。本研究通过确定儿童数据隐私方面的差距并引入 COPPA 活动模型来帮助解释一种潜在的 AI 推论，扩展了信息安全 AI 数据版权知识体系。
glam：通过邻里分区和生成子图编码
将大型语言模型（LLMS）与源自领域数据得出的知识图集成在一起，代表了对更强大和事实发展的重要进步。随着这些模型变得越来越有能力，至关重要的是要使它们能够通过实际知识图进行多步骤推断，同时最大程度地减少幻觉。虽然大型语言模型在对话和文本发电中表现出色，但它们在互连实体的域特殊图上推理的能力仍然有限。例如，我们可以根据私人数据库中的关系和属性查询LLM以确定专业网络中的最佳联系人吗？答案是否 - 这种可行性超出了当前方法。但是，这个问题强调了必须解决的重要技术差距。在科学，安全性和电子商务等领域的许多高价值应用都依赖于编码独特的结构，关系和逻辑共识的专有知识图。我们介绍了一个微调框架，用于开发与g raph一致的la nguage m odels（gl a m），该框架将知识图转换为具有la beled Question-Asswer Pairs的替代文本表示。我们证明，在基于图的特定知识中对模型进行基础，扩大了模型的基于结构的推理的能力。我们的方法论利用了大型模型的生成能力来创建数据集，并提出了一个有效的替代方法，以替代检索增强的生成样式方法。
量子图
量子图项目提议深入探索量子信息论核心的组合方面，它位于组合学和理论计算机科学与量子物理学的交叉点上。更具体地说，我们的项目旨在对量子图概念进行几项理论发展，量子图被视为图的非交换概括。这项跨学科的提案旨在开发新的组合和代数方法来解决量子信息中的基本问题，同时阐明组合结构和量子特性之间的深层关系。在量子信息论的框架内，量子图（也称为非交换图）的概念首次由 Duan 等人在 [DSW13] 中提出，目的是将香农理论中的某个概念推广到量子情况。与经典图可视为非自反对称关系这一事实类似，Weaver [Wea21] 将量子图表述为冯·诺依曼代数上的自反对称量子关系。Musto 等人 [MRV18] 还将有限量子图表述为有限量子集上的邻接运算符。非常令人惊讶的是，这三种不同的观点指向了同一个对象，即量子图，这是本博士项目的重点。
深度量子图梦想：解读神经网络对量子实验的洞察
摘要 尽管神经网络有望促进新的科学发现，但它的不透明性给解释其发现背后的逻辑带来了挑战。在这里，我们使用一种名为 inception 或 deep dreaming 的可解释人工智能技术，该技术是在计算机视觉机器学习中发明的。我们使用这种技术来探索神经网络对量子光学实验的了解。我们的故事始于对深度神经网络进行量子系统属性的训练。训练完成后，我们会“反转”神经网络——实际上是询问它如何想象具有特定属性的量子系统，以及它将如何不断修改量子系统以改变属性。我们发现网络可以改变量子系统属性的初始分布，我们可以概念化神经网络的学习策略。有趣的是，我们发现，在第一层，神经网络可以识别简单属性，而在更深的层，它可以识别复杂的量子结构甚至量子纠缠。这让人想起计算机视觉中已知的长期理解的属性，我们现在在复杂的自然科学任务中识别这些属性。我们的方法可以以更易于解释的方式用于开发量子物理学中新的基于人工智能的先进科学发现技术。
基于LIDAR定向子图像的自动驾驶图之间的航向点传输模块
摘要：车道图对于描述道路语义和使用本地化和路径规划模块实现安全的操作非常重要。这些图被认为是长寿细节，因为道路结构中发生了罕见的变化。另一方面，由于有必要使用不同的定位系统（例如GNSS/INS-RTK（GIR），Dead-Reckoning（DR）或SLAM Technologies）更新或扩展地图，因此可能会更改相应拓扑图的全局位置。因此，应将车道图准确地在地图之间传输，以描述车道和地标的相同语义。考虑到其在关键的道路结构中实施的挑战性要求，本文根据LiDAR强度路面在图像域中提出了一个独特的转移框架。目标图中的道路表面被分解为全球坐标系中的X，Y和YAW ID的定向子图像。XY ID用于使用参考图检测公共区域，而YAW ID则用于重建参考图中的车辆轨迹并确定相关的车道图。然后将方向子图像匹配到参考子图像，并将图形安全地传输。实验结果已经验证了所提出的框架在地图之间安全，准确地传输巷道图的鲁棒性和可靠性，无论道路结构的复杂性，驾驶场景，地图生成方法和地图全局精度的复杂性如何。
使用机器学习进行量子图像去噪
量子图像处理 (QIP) 是一个旨在利用量子计算的优势来处理和分析图像的领域。然而，QIP 面临两个挑战：量子比特的限制和量子机器中噪声的存在。在本研究中，我们提出了一种新方法来解决 QIP 中的噪声问题。通过训练和使用机器学习模型来识别和校正量子处理图像中的噪声，我们可以补偿机器引起的噪声并以更高的效率检索类似于传统计算机执行的处理结果。该模型通过学习由现有处理图像和来自开放获取数据集的量子处理图像组成的数据集进行训练。该模型将能够为我们提供每个像素的置信度及其潜在的原始值。为了评估模型在补偿 QIP 中的损失和退相干方面的准确性，我们使用三个指标对其进行评估：峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和平均意见分数 (MOS)。此外，我们还讨论了我们的模型在各个领域的适用性以及与其他方法相比的成本效益。