XiaoMi-AI文件搜索系统
World File Search System属性的
基于属性的遥测数据共享 -
摘要：本研究研究了Uppsala模型的适应性，以增强欧盟（EU）资助的项目的管理，特别是专注于该模型的宏观和微型元素。最初是为公司级国际化开发的Uppsala模型，为应对欧盟项目实施的复杂挑战提供了一个宝贵的框架，其中包括官僚主义的障碍，多样化的利益相关者管理以及欧洲一体化的复杂性。本文强调了尽管申请流程和熟练的受益人提高了项目经理所面临的持续问题。通过应用Uppsala模型，该模型强调了逐步的知识发展和资源承诺，本研究旨在弥合基金获取和项目交付之间的差距。Uppsala模型的宏观（广泛外部因素）和微观（个人和组织行为）观点的整合为管理国际，多利益相关者欧盟倡议提供了全面的方法。这种方法是通过Sumanu项目举例说明的，该项目解决了波罗的海地区的营养回收和可持续肥料管理。调查结果表明，可以通过促进更好的利益相关者关系，增量学习和自适应策略来有效地应用Uppsala模型的原则来增强复杂的欧盟项目的执行。这项研究强调了在欧盟背景下实现成功的项目成果方面的体验式学习和网络观点的相关性。
AMT：基于属性的模拟系统监控工具*
算法验证领域一直以模型检查时序逻辑公式的决策程序为中心。时序逻辑 [MP95] 是一种严格的规范形式主义，用于描述系统所需的行为。已经开发了许多将时序逻辑公式转换为相应自动机的有效算法 [VW86、SB00、GPVW95、GO01]，从而成功开发了 L TL 和 C TL 等逻辑，并将它们共同集成到主要验证工具中。基于时序逻辑的形式主义已被硬件行业采用，并成为标准 P SL [HFE04] 规范语言。为了推理定时系统，人们提出了许多实时形式化方法，它们要么是时间逻辑的扩展（M TL [Koy90]、M ITL [AFH96]、T CTL [Y97]），要么是正则表达式（定时正则表达式 [ACM02]）。然而，与非定时情况不同，这些逻辑与定时验证工具中使用的定时自动机 [AD94] 之间没有简单的对应关系。随着混合自动机 [MMP92] 的出现，连续域中的验证成为可能，混合自动机作为描述具有带开关的连续动态系统的模型，以及用于探索其状态空间的算法。尽管最近取得了很大进展 [ADF + 06]，但由于状态空间的爆炸式增长，可扩展性仍然是混合系统穷举验证的主要问题。此外，基于属性的混合系统验证才刚刚起步 [FGP06]。因此，连续系统的首选验证方法仍然是模拟/测试。然而，有人指出，验证的规范元素
在内分泌干扰物属性的计算机预测中
内分泌干扰化学物质（EDC）是我们环境中存在的一类广泛的分子，怀疑通过干扰内源配体的合成，转运，降解或作用而怀疑会在内分泌系统中引起不良反应。表征环境化合物及其潜在的细胞靶标之间的有害涉及分性以及体内鲁棒的稳定性，体外和计算机筛选方法对于评估大量化学物质的毒性潜力很重要。在这种情况下，正在开发允许内分泌干扰物和环境风险评估活动预测的计算机辅助技术。这些技术必须能够应对各种数据，并将原子水平的化学与细胞，器官和生物体的生物活性联系起来。定量结构 - 活动关系方法因毒性问题而流行。他们通过许多分子描述子将化合物的化学结构与生物活性相关联（例如，分子量和参数，以说明疏水性，拓扑或电子特性）。化学结构分析是第一步；但是，对分子间相互作用和细胞行为进行建模也将是必不可少的。EDCS目标的三维晶体结构数量的增加提供了大量的结构信息，可用于使用对接和评分程序来预测其与EDC的相互作用。（内分泌学160：2709 - 2716，2019）在本综述中，我们描述了使用配体和靶向属性来预测内分泌干扰物活动的各种计算机辅助方法。
基于属性的量子程序回归测试的 Delta 调试
手动调试量子程序是一项困难且耗时的过程。在本文中，我们介绍了一种基于增量调试和基于属性的测试的量子程序自动调试技术。我们的技术可以自动识别在量子程序更新中导致基于属性的回归测试失败的更改。为了评估我们的技术，我们将故障和保留语义的更改注入到三种量子算法中。在测量故障和保留语义的更改的百分比后，我们讨论了我们方法的可行性和有效性。我们的结果表明，我们的方法具有很高的真正例（称为敏感度）和真负例（称为特异性），并且在引入程序的更改量方面具有鲁棒性。此外，该方法的敏感度随着属性数量的增加而显著增加。而当增加属性和输入的数量时，特异性保持稳定。
超越属性的原始概念 - 对象组成学习
从所见的属性 - 对象对学习以概括为未看到的组合物，已在组合零拍学习（CZSL）中进行了广泛的研究。但是，CZSL设置仍然仅限于看到的属性和对象，并且不能概括地看不见的概念及其组成。为了克服这一局限性，我们提出了一项新任务，开放的词汇 - 组成零 - 折射学习（OV-CZSL），其中评估了未看到的属性，对象和看不见的组成。表明OV-CZSL是一个具有挑战性但可解决的问题，我们提出了基于存在的数据集MIT态的三个新基准（Isela，Lim和Adelson 2015），C-GQA（Mancini等人（Mancini等）（Mancini等人）2022）和vaw-czsl（Saini，Pham和Shrivastava 2022; Pham等人2021），以及新的基准和评估设置。我们将语言嵌入和外部词汇与我们新颖的邻里扩展损失一起使用，以允许任何方法学习观察和看不见的原始物之间的语义相关性。
基于单个属性的个性化连接组的深度生成
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年2月14日。 https://doi.org/10.1101/2025.02.12.637986 doi：Biorxiv Preprint
将大型语言模型蒸馏成文本属性的图形学习
文本属性图（标签）是连接的文本文档的图。图形模型可以有效地学习标签，但是它们的培训在很大程度上依赖于人类通知的标签，在许多应用中，这些标签稀缺甚至无法使用。大型语言模型（LLMS）最近在少数拍和零标签学习方面表现出了显着的功能，但它们遭受了可扩展性，成本和隐私问题的困扰。因此，在这项工作中，我们通过将LLM的功率提炼成Tag学习的本地图模型来协同LLM和图形模型，并具有互补的优势。要解决LLMS（文本的生成模型）和图形模型（图形的歧视模型）之间的固有差距，我们首先提议让LLMs用丰富的理由教授解释器，然后让学生模型模仿解释器的推理，而没有LLMS的理由。我们将LLM的文本原理转换为多级图理由，以训练解释器模型，并根据标签的功能将学生模型与解释器模型保持一致。广泛的实验验证了我们提出的框架的功效。
3D感知图像合成上自定义属性的定量操纵
尽管基于3D的GAN技术已成功地应用于具有各种属性的照片真实的3D图像，同时保持视图一致性，但很少有关于如何罚款3D impersimens的研究，而不会限制其属性特定对象的特定对象类别。为了填补此类研究空白，我们提出了一个基于3D的GAN代表的新型图像操纵模型，以对特定的自定义贡献进行细粒度控制。通过扩展最新的基于3D的GAN模型（例如，EG3D），我们的用户友好定量操作模型可以实现对3D操作多属性数量的精细而归一化的控制，同时实现了视图一致性。我们通过各种实验验证了我们提出的技术的有效性。
用于分析安全性和安保属性的正式处理器建模
开放硬件计划的出现促进了复杂计算系统（如信息物理系统 (CPS) 或物联网 (IoT)）的设计 [2]。此类计划提出了类似软件的开发工作流程，从复杂的高级硬件描述语言 (HDL) [4] 到电路，同时使用复杂的编译链。这些方法有利于硬件设计的可用性，因此可以将其用作（详细的）黄金模型，取代仅提供某些设计细节的标准手册参考。这些 CPS 和物联网通常受安全和/或安保要求的约束。确保这些要求可以以不同程度的信心完成，从非正式论证到属性的正式验证。使用后一种方法时，系统软件和硬件部分的形式验证通常作为单独的活动进行，并且主要关注功能正确性。