XiaoMi-AI文件搜索系统
World File Search System实例
量子信息科学简介II讲义
h in init具有已知的基态| + h l是k的k-局部哈密顿人。在我们的问题中，我们让H最终模型为3-SAT的实例。每个h L是一个约束，将能源罚款分配给每个不满足L -TH -3 -SAT条款的状态。我们的目标是找到h最终的基态，这将是满足（或最佳满意）3-SAT实例的状态。，但这是一个NP -HARD问题。
折叠方案带有隐私保存选择性验证
摘要。折叠方案是一个令人兴奋的新原始性，它改变了执行多个零知识的知识证明以建立关系的任务，以仅执行一个零知识证明，以进行相同的关系，并进行许多廉价的包容性证明。最近，折叠方案已被用来摊销与具有各种应用程序的多个不同验证者证明不同陈述相关的成本。我们观察到，对于这些用途，泄漏有关折叠的陈述的信息可能是有问题的，但是以前的构造会发生这种情况。为解决此问题，我们对保留折叠计划的隐私及其应提供的安全性提供了自然的定义。为了构建保留折叠方案的隐私，我们首先定义了声明hiders，这是一种可能具有独立感兴趣的原始性。简而言之，一种语句隐藏了一个关系的实例作为新实例。当且仅当初始实例为时，新实例才在关系中。使用此构建块，我们可以通过首先隐藏每个语句来利用现有的折叠方案来构建隐私折叠方案。折叠方案允许验证语句折叠到另一个语句中，而语句隐藏器允许验证语句被隐藏为另一个语句。
利用资源估算来开发量子计算应用程序
摘要 — 近年来，量子计算在软件和硬件方面都取得了长足的进步。但要释放量子计算机解决无法有效解决的问题的能力，大规模量子计算必不可少。不幸的是，量子模拟器的复杂性呈指数级增长，同时，目前可用的量子计算硬件仍然相当有限（即使路线图做出了有趣的承诺）。因此，为了评估量子计算应用，最终用户仍然经常被限制在玩具大小的问题实例中（此外，这些实例通常不考虑纠错）。这极大地阻碍了现实世界量子计算应用的开发和评估。在这项工作中，我们展示了如何利用资源估计来改善这种情况。我们展示了如何用估算步骤来补充当前的工作流程（依赖于模拟和/或执行），从而使最终用户 (1) 实际上可以考虑当今现实世界的问题实例（同时考虑错误更正方案和相应所需的硬件资源），(2) 可以开始探索整个设计空间中这些实例的可能优化，以及 (3) 可以结合硬件开发趋势的假设来得出更明智、更好的设计空间参数。总的来说，这使得最终用户今天就可以查看未来可能的量子计算应用的前景，即使执行它们的相应硬件尚未可用。
依赖性的依赖计算的一致性
没有可区分性（DCOI）的依赖性计算使用依赖性跟踪来识别类型转换期间的无关参数，并使用没有可区分的参数，以实现与相同统一机制的运行时间和编译时间无关。dCOI还通过使用由观察者级别索引的命题平等类型来内部化有关无法区分性的推理。作为DCOI是一种纯类型系统，先前的工作仅建立了其句法类型的安全性，证明其用作具有依赖类型的编程语言的基础。但是，尚不清楚该系统的任何实例是否适合用作定理的类型理论。在这里，我们确定了一个合适的实例DCOI 𝜔，该实例具有无限的谓词宇宙层次结构。我们表明DCOI 𝜔在逻辑上是一致的，正常的，并且该类型的转换是可决定的。我们使用COQ证明助手机械化了所有结果。
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日](/simg/g:\will\search\icon\source\4\49250d0a542083947e8ca98027ad367b67d6f7eb.webp)
arxiv：2412.15477V1 [CS.CV] 2024年12月20日
接受严重失衡的数据培训时，深层神经网络通常很难准确地识别几个样本的课程。先前在长尾认可的研究试图使用已知样本分布来重新平衡学习，主要解决了同类水平上不同的分类困难。但是，这些方法通常会忽略每个类内的实例难度变化。在本文中，我们提出了一个困难的平衡利润率（DBM）损失，这既考虑阶级失衡和实例难度。dbm损失包括两个组成部分：一个范围的边缘，以减轻由不平衡的类频率引起的学习偏见，以及根据其自发的难度分配给硬阳性样本的实例余量。dbm损失通过将较大的边缘分配给更困难的样本来提高类别的判别性。我们的方法与现有方法无缝结合，并始终提高各种长尾识别基准的性能。
单台机器问题的深度学习驱动算法最小化总迟到
在本文中，我们研究了深度学习方法来解决众所周知的NP单机调度问题，目的是最大程度地减少迟到的目的。我们提出了一个深层的网络，该网络是基于Lawler的分解和Della Croce等人提出的基于Lawler的分解和对称分解的单次调度算法中标准值的多项式估计器。本质上，神经网络通过估计问题分解为子问题来指导算法。本文还描述了一种生成培训数据集的新方法，该方法可以加快培训数据集的生成并减少解决方案的平均最佳差距。实验结果表明，我们的机器学习驱动的方法可以有效地将信息从训练阶段概括为明显更大的实例。尽管训练阶段使用的实例从75到100个工作岗位，但多达800个工作岗位的实例的平均最佳差距为0.26％，几乎是最先进的启发式启发式差距的差距差不多五倍。
量子启发式求解器的基准......
最近，受量子退火的启发，许多专门用于无约束二元二次规划问题的求解器已经开发出来。为了进一步改进和应用这些求解器，明确它们对不同类型问题的性能差异非常重要。在本研究中，对四种二次无约束二元优化问题求解器的性能进行了基准测试，即 D-Wave 混合求解器服务 (HSS)、东芝模拟分叉机 (SBM)、富士通数字退火器 (DA) 和个人计算机上的模拟退火。用于基准测试的问题是 MQLib 中的真实问题实例、随机不全相等 3-SAT (NAE 3-SAT) 的 SAT-UNSAT 相变点实例以及 Ising 自旋玻璃 Sherrington-Kirkpatrick (SK) 模型。对于 MQLib 实例，HSS 性能排名第一；对于 NAE 3-SAT，DA 性能排名第一；对于 SK 模型，SBM 性能排名第一。这些结果可能有助于理解这些求解器的优点和缺点。
算法索引缺失值
本文提出了一个新的算法追索（AR）框架，即使在缺少值的情况下也可以工作。AR旨在提供一个追索行动，以改变分类器给定的不需要的预测结果。现有的AR方法假设我们可以访问有关输入实例功能的完整信息。但是，我们经常在给定实例中遇到缺失值（例如，由于隐私问题），以前的研究没有讨论这种实际情况。在本文中，我们首先从经验和理论上表明了一种具有单一插补技术的天真方法无法获得有关其有效性，成本和特征要改变的良好动作的风险。为了减轻这种风险，我们通过纳入多个插补的想法来制定为给定的不完整实例获得有效和低成本动作的任务。然后，我们提供了一些关于任务的理论分析，并提出了基于混合企业线性优化的实用解决方案。实验结果证明了与基准相比，我们方法在缺少值的情况下的功效。