XiaoMi-AI文件搜索系统
World File Search System对手
用密码协议语言构造的对手安全
摘要 - 与普通并发和分布式系统相关联，加密协议的区别是需要推理对手干扰的必要性。我们建议通过可执行的协议语言一种新的驯化方法来驯服这种复杂性，该协议语言不会直接揭示对手，而是执行一组直觉的卫生规则。凭借这些规则，用这种语言编写的协议在没有主动的dolev-yao风格对手的情况下表现出相同的行为。因此，可以通过分析没有对手的状态空间来简化有关协议的正式推理，即使是na've模型检查也可以确定多方协议的正确性。我们介绍了辛辣的设计和实施，即正确实施的安全协议的缩写，包括其输入语言的语义；基本的安全证明，在COQ定理供奉献中正式化；和自动化技术。我们通过少数案例研究对工具的性能和能力进行初步评估。
比特币加密货币——针对量子对手的赏金
量子计算机 (QC) 背后的理论最早是在 40 年前提出的。该领域的研究取得了杰出的成果，有可能破坏当今使用的最流行的加密协议。一个值得注意的理论结果是 Peter Shor 的量子算法 [25]，它可用于破解 RSA 或 ECDSA 等数字签名方案。物理实现这种复杂机器所需的工程进步最近才开始出现，但扩展方法的突然改进可能会导致强大的 QC 几乎在一夜之间出现。比特币社区也受到这些发展的影响，因为确保资金所有权的机制依赖于 ECDSA。比特币的加密技术必须更新；事实上，如果人们愿意牺牲速度和存储空间，有很多后量子加密方案可供选择。这种方案将在某个时候在比特币中实现，大多数用户将能够使用抗量子签名安全地锁定他们的资金。然而，在量子计算机突然出现这种极端情况下，并非所有用户都能从这次升级中受益。有趣的是，比特币中推荐的做法将提供一定程度的量子抵抗力，允许安全地收回资金，但不幸的是，许多用户并没有遵循这些做法。在本文中，我们分析了比特币 (BTC) 和比特币现金 (BCH) 的资金量，这些资金量由暴露的公钥保护；或者，从量子的角度来看
密封：通过支持技能的对手学习朝着闭环方案生成
摘要 - 随着现实世界中的这种技术的增加，对自主驾驶（AD）系统和组件的验证和验证越来越重要。安全性 - 关键场景生成是通过闭环培训来鲁棒性策略的关键方法。然而，场景生成的现有方法依赖于简单的目标，从而导致过度攻击或非反应性的对抗性。为了产生多样化的对抗性但现实的场景，我们提出了印章，即一种方案扰动方法，利用了学分的得分功能和对抗性，类似的人类技能。密封扰动的场景比SOTA基准更现实，从而改善了超过20％以上的真实世界，分布和分布外情景的自我任务成功。为了促进未来的研究，我们发布了我们的代码和工具：https：//github.com/cmubig/seal
朱莉安：我们知道我们的对手正在投资……
文件 015 间谍增强：谈论中央情报局的人工智能和数字创新（音乐开始）沃尔特：在中央情报局，我们昼夜不停地在全球范围内工作，以帮助保护美国人和世界各地其他人的安全。保密往往对我们的工作至关重要。迪：但我们致力于在可能的情况下分享我们所能分享的信息。因此，让我们成为您在兰利大厅的向导，我们将打开文件并与那些致力于这一使命的人交谈。沃尔特：这些是他们的故事。沃尔特和迪：这是兰利档案。（音乐继续）朱利安：我们知道我们的对手正在投资人工智能，我们知道为了在情报领域和数字领域夺取竞争优势，我们需要掌握这项技术并以符合我们的道德和价值观的方式使用它。（音乐结束）沃尔特：欢迎回到兰利档案。我是沃尔特。迪：我是迪。沃尔特：如果你们都看过上一季的《007档案》……迪：……或者 7 号档案……沃尔特：我们采访了中情局的第一任首席技术官南德·穆尔钱达尼，他谈到了将硅谷最好的东西带入间谍世界。今天，作为我们持续关注中情局技术的一部分，迪和我将与中情局数字创新副局长朱利安·加利纳和中情局首席人工智能官拉克希米·拉曼坐下来谈谈 21 世纪间谍活动的本质，以及中情局如何应用最新的数字技术来帮助保护美国免受世界各地的威胁。迪：很高兴你们两位同时来到演播室。我们期待这次谈话已经很久了。所以感谢你们今天加入我们的节目。拉克希米：谢谢您的邀请。朱利安：是的。谢谢您的邀请。
俄罗斯的反射控制理论：操纵对手以获得优势
估计此次信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将有关此负担估计或本次信息收集任何其他方面的评论（包括减轻负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302。受访者应注意，尽管法律有任何其他规定，但如果信息收集未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。
刺痛框架：证明超类对手的存在
我们介绍了超级阶级问责制，这是安全协议的新概念。可算置性的经典概念通常旨在识别违反对抗假设的特定对抗性游戏，导致了安全失败。超类责任制描述了一个不同的目标：证明存在能够违反安全假设的对手。我们开发了一种协议设计方法，用于实现称为刺激框架（SF）的超级阶级问责制。与经典的问责制不同，SF可用于广泛的应用程序，而无需进行协议修改，即使安全失败不归因于特定玩家。sf为公开验证的超级类对手生成了存在的证据，使SF成为举报人举报，高信任的机构宽松程序等有前途的弹簧董事会。我们描述了如何使用SF来证明能够违反实际应用程序的机密性的广告，这些应用程序包括TOR，Web3中的块基础架构，AD Auctions和私人联系人发现，以及公平交易订购系统的完整性。我们报告了我们已经构建的两个端到端的SF系统（用于TOR和BLOCK构建）以及对这些系统的实验。
hexagonal Boron中的供体对手对量子发射器...
摘要 - 具有驾驶自动化的车辆正在为全球部署而开发。但是，这种自动化或自动驾驶汽车（AV）的车载感应和感知能力可能不足以确保在所有情况和环境下的安全性。使用路边基础设施传感器的基础设施启动环境感知可以被视为有效的解决方案，至少对于所选的感兴趣的地区，例如城市道路交叉路口或弯曲的道路，将其呈现给AV。但是，它们为采购，安装和维护而产生了明显的费用。因此，这些传感器必须在战略上和最佳的位置放置，以根据道路使用者的整体安全性产生最大的好处。在本文中，我们提出了一种新的方法，以获得最佳的V2X（车辆到全部）基础设施传感器的最佳位置，该传感器对城市AV部署特别有吸引力，并具有各种考虑，包括成本，承保范围，覆盖范围和冗余。我们结合了射线播放和线性优化文献中最新的进步，以为城市的规划师，Traf-trif C Analysis和AV部署运营商提供工具。通过在代表性环境中的实验评估，我们证明了方法的好处和实用性。
保护能源税抵免侵害美国对手
在过去的十年中，中国在电池化学和生产方法方面取得了显着进步，将其公司定位为行业领导者。允许美国公司许可这些尖端技术并在国内生产它们可以提高美国的生产能力，并为美国工人提供宝贵的动手经验。如果美国不在家中产生这些创新，对手会将我们落后。中国已成功利用这一策略来培训其在美国创新领导的领域的制造业和研究人员，但生产迁移到海外。采用类似的方法可以帮助美国在这些关键行业中领导领导。但是，新的限制不应允许技术许可协议提供对制造过程的FEOC控制或重大影响。这种方法可确保美国建立高级
层次的强化学习与对手建模用于分布式多代理合作
摘要 - 许多现实世界的应用程序可以作为多机构合作问题，例如网络数据包路由和自动驾驶汽车的协调。深入增强学习的出现（DRL）通过代理和环境的相互作用为多机构合作提供了一种有希望的方法。然而，传统的DRL解决方案在策略搜索过程中遭受了具有连续动作空间的多个代理的高维度。此外，代理政策的动态性使训练非平稳。为了解决这些问题，我们建议采用高级决策和低级个人控制，以进行有效的政策搜索。特别是，可以在高级离散的动作空间中学习多种代理的合作。同时，低级个体控制可以减少为单药强化学习。除了分层增强学习外，我们还建议对手建模网络在学习过程中对其他代理的政策进行建模。与端到端的DRL方法相反，我们的方法通过以层次结构将总体任务分解为子任务来降低学习复杂性。为了评估我们方法的效率，我们在合作巷更改方案中进行了现实世界中的案例研究。模拟和现实世界实验都显示了我们在碰撞速度和收敛速度中的优越性。索引条款 - 多机构合作；深入的强化学习；分层增强学习
DouZero+：通过对手建模和教练指导学习改进斗地主人工智能
摘要 — 近年来，深度强化学习 (DRL) 在各种完全和不完全信息游戏中取得了重大突破。在这些游戏中，斗地主是中国流行的纸牌游戏，由于信息不完整、状态空间大、协作元素多以及每回合可能的动作数量庞大，因此非常具有挑战性。最近，一种名为 DouZero 的斗地主人工智能系统被提出。DouZero 使用传统蒙特卡洛方法、深度神经网络和自我对弈程序进行训练，无需抽象人类先验知识，其表现优于所有现有的斗地主人工智能程序。在这项工作中，我们建议通过在 DouZero 中引入对手建模来增强 DouZero。此外，我们提出了一种新颖的教练网络，以进一步提升 DouZero 的性能并加速其训练过程。通过将上述两种技术融入到斗地主AI系统中，斗地主AI系统取得了更好的性能，在包括斗地主在内的400多个AI代理中名列Botzone排行榜榜首。索引术语 — 斗地主，强化学习，蒙特卡洛方法，对手建模，教练网络