图1显示了在玉米田中车辆相机收集的现实世界图像的原始验证数据集上,作物 - 监测工具[1]使用的RESNET-18网络的错误分布。左右图分别用于标题和距离感知误差。直方图显示实际误差频率,而线路显示拟合的正态分布。分布与直方图非常匹配,表明神经网络的误差是正态分布的。图2从视觉上比较了神经网络输出分配与凉亭内捕获的图像预测的分布。红色虚线椭圆和蓝色实心椭圆显示了神经网络输出分布的3σ置信边界和感知模型预测的分布。这两个分布彼此紧密匹配,尤其是当车辆在中心附近并直接指向前方时。
摘要 - 由于国家标准技术研究所(US)选择了Quantum Crypto System Crystals Crystals Crystals-Kyber,因此对其正确性和安全性的正式验证变得更加相关。使用自动定理示意剂isabelle,我们能够正式化Kyber公共密钥加密方案的算法规范和参数集,并在选择的明文攻击属性下验证δ-正确性和不可区分性。但是,在形式化过程中,发现了笔和纸证明中的几个差距。除了一个差距δ的差距外,所有差距都可以填写。在较小维度中的计算给出了示例,其中绑定δ小于实际误差项,违反了正确性属性。可以正式将正确性证明与模块学习的应用有关,因此我们认为原始错误绑定和形式化版本的差异相对较小。因此,可以将正确性形式化,直到对界限的最小变化。索引术语 - post-Quantum加密,晶体 - Kyber,数字理论转换,安全性,验证,iSabelle。