XiaoMi-AI文件搜索系统
World File Search System投机
FSLH：灵活的机械化投机载荷硬化
摘要 - 幽灵投机侧通道攻击构成了计算机系统安全的巨大威胁。研究表明，使用选择性载荷硬化（SLH）的选择性变体可以有效地保护密码恒定时间代码。slh还不够强大，无法保护非晶型代码，从而引入了Ultimate SLH，该代码为任意程序提供了保护，但对于一般使用的开销太大，因为它保守地假定所有数据都是秘密的。在本文中，我们引入了一个灵活的SLH概念，该概念通过正式概括选择性和最终的SLH来实现两全其美。我们为保护任意程序的此类转换提供了适当的安全定义：运行猜测的任何转换程序都不会泄漏源程序依次泄漏。我们正式证明使用ROCQ权METER证明两个灵活的SLH变体强制执行此相对安全保证。作为简单的推论，我们还获得了最终的SLH执行我们的相对安全性概念，还可以使Value SLH的选择性变体和地址SLH执行投机性恒定时间安全性。关键字 - 侧通道攻击，投机执行，规格，安全汇编，投机负载硬化，投机性恒定时间，相对安全性，正式验证，ROCQ，COQ
AASD：通过在多模式大型语言模型中对准投机解码来加速推理
多模式大型语言模型（MLLM）在视觉教学调整中取得了显着的成功，但由于大型语言模型（LLM）骨干的自动回归解码，它们的推论既耗时又耗时。传统的加速推理方法，包括模型压缩和从语言模型加速的迁移，通常会损害输出质量或有效整合多模式特征的face Challenges。为了解决这些问题，我们提出了AASD，这是一个新型的框架，用于加速使用精制的KV缓存并在MLLM中对准投机解码。我们的方法利用目标模型的缓存键值（KV）对提取生成草稿令牌的重要信息，从而有效地投机解码。为了减少与长多模式令牌序列相关的计算负担，我们会引入KV投影仪，以压缩KV缓存，同时保持代表性保真度。此外，我们设计了一种目标放射线注意机制，以优化草稿和目标模型之间的对齐方式，从而以最小的计算开销来实现真实推理情景的好处。主流MLLM的广泛实验表明，我们的方法在不牺牲准确性的情况下达到了2倍推理的速度。这项研究不仅为加速MLLM推断提供了有效且轻巧的解决方案，而且还引入了一种新颖的对齐策略，用于在多模式背景下进行投机解码，从而为未来的有效MLLM研究奠定了强大的基础。代码可在https://anonymon.4open.science/r/asd-f571上使用。
从护理实践到投机性小插图 - 机器人良好的机器人的考虑
护理部门已成为开发机器人技术的测试床之一，这些测试床已承诺减轻人口老龄化和劳动力短缺的问题。尽管有这些承诺，但这种技术的实际应用已得到有限的成功。除了技术局限性外，其他挑战以我们处理这些技术的方式存在。对护理部门的发展至关重要的是了解环境的复杂性，各种参与者的需求和目标，以及它们如何在社会遗产上造成。本文介绍了一项在价值敏感设计和投机设计的交点上进行的研究，以了解这些敏感性。基于访谈（n = 6）和卡片讲习班（n = 6）的数据，从护理人员和奥地利的移动护理和护理家庭环境中的居民中，我们开发了五个主题，这些主题捕获了构建的现状实践，并理解了基于信任的日常工作，对不同的参与者的谈判，情感和互惠的培训，情感和互惠的护理，照料工作，以及护理人员的互动，和物质自我锻炼。随后，我们创建了六个投机性小插图，它们用作修辞手段，以强调任何进入并重塑现有护理实践和关系的技术干预措施所产生的紧张局势。我们认为，我们的方法可以支持机器人设计师从前设计和开发开始研究的特定环境中的价值和紧张局势。
信贷、土地投机和长期经济增长
4 在附录 O1 中，我们研究了每个主体在年轻期和年老期分别具有对数消费效用的情况。我们表明结果没有变化。 5 例如，有些房地产投资的收益为零，有些则为正收益，由于非创业工人无法区分它们，因此他们不会投资房地产；（风险调整后的）预期收益太低了。如果项目数量有限，知情者将选择好项目（平均而言），而将不成比例的坏项目留给不知情者，因此即使知情者的预期收益等于或大于其他投资机会，不知情者的预期收益也低于政府债券。如果我们更现实地假设所有个人都厌恶风险，这种影响会得到加强。限制参与房地产市场还有其他原因。例如，人们对风险的态度不同。房地产市场显然比政府债券的（实际）回报更具风险，因此非常厌恶风险的代理人不会参与房地产市场。6 也就是说，今天投资一美元资本的个人将获得 𝑅 𝑡+1 的投资回报，并在期末拥有价值 1 −𝛿 的资产。
指定：加速使用基于树的投机推理和验证的大型语言模型
由于其大量参数，复杂的架构和较高的计算要求。例如，最大的GPT-3体系结构具有1750亿个参数，该参数需要八个以上的NVIDIA 40GB A100 GPU才能存储在半精确的浮点中，并且需要几秒钟才能提供单个推断请求[3]。llm通常作为输入一个令牌序列，称为提示，并一次生成后续令牌一个，如图1a所示。序列中每个令牌的生成都在输入提示和先前生成的令牌上进行条件，并且不考虑将来的令牌。此方法也称为自回归解码，因为每个生成的令牌也被用作生成未来令牌的输入。令牌之间的这种依赖性对于许多NLP任务至关重要，这些任务需要保留生成的令牌的顺序和上下文，例如文本完成[55]。现有的LLM系统通常使用增量解码方法来服务请求，其中系统在单个步骤中计算所有提示令牌的激活，然后使用输入提示和所有先前生成的令牌进行迭代解码一个新的令牌[27]。这种方法在代币之间依赖于数据依赖性，但是实现了亚最佳运行时性能和有限的GPU利用率，因为在每个请求中的并行程度在增量阶段中受到极大的限制。此外，变压器的注意机制[48]要求访问所有前任令牌的键和值，以计算新令牌的注意力输出。为了避免重新计算所有上述令牌的键和值，当今的LLM系统使用缓存机制存储其键和值以在将来的迭代中重新使用。对于长期生成任务（例如，GPT-4在请求中最多支持32K令牌），缓存键和值引入了重要的内存开销，这防止了现有系统由于存储器的键和值的要求而并行提供大量的记忆。是出于在进程优化中进行投机执行的概念[13，42]，最近的工作引入了基于序列的投机推断，该推断利用了一个小的猜测模型（SSM）生成一个令牌序列，以生成一系列令牌并使用LLM在同时检查其正确性[5，22，22，22，22，22，22，22，22，444,44,44，51]。这些尝试仅考虑由单个SSM生成的令牌序列进行投机，因为它们之间的模型容量差距不能很好地与LLM保持一致，因为SSM通常比LLM小的数量级以保持低内存和运行时的空间开销。本文介绍了SpecInfer，该系统可以提高LLM的端到端潜伏期和计算效率，该系统具有基于树的投机推理和验证。图1b说明了现有的增量解码，基于序列的投机推断与基于树的投机推断之间的比较。一个关键的见解 - 指定者是同时考虑各种猜测候选者（而不是像现有的
杜克能源公司的北卡罗来纳碳计划将投资新的污染化石燃料，并过度依赖昂贵的投机技术。
• 杜克公司提出的天然气建设计划是该国规模最大的天然气建设计划之一，这对北卡罗来纳州的气候目标而言是危险的倒退。 3 天然气发电厂会造成碳污染，使用的燃料主要由甲烷组成，甲烷是造成全球变暖及其后果的三分之一的污染物。在 20 年的时间里，甲烷使气候变暖的速度是二氧化碳的 80 倍。 4 • 天然气在极端天气下不可靠。近年来，与天然气相关的大面积电网故障变得令人不安地普遍。 5 2022 年圣诞节前夕，杜克公司的天然气基础设施在恶劣天气下出现故障，公用事业公司被迫实施轮流停电，切断了 50 万卡罗来纳人的电力。 6 • 天然气价格昂贵。杜克公司必须在 2050 年前过渡到无碳能源，以遵守州能源期限。通过在未来十年内建设新的天然气工厂，该公司冒着让客户背负数十亿美元搁浅资产的风险——这些基础设施的成本无法长期服务于我们的社区。天然气价格也容易大幅波动：当这种情况发生时，买单的是客户，而不是公用事业公司。7 2023 年，金融公司 Lazard 估计，与电池存储相结合的公用事业规模太阳能系统在经济上与天然气工厂具有竞争力。8 可再生能源还有一个额外的好处，即不受燃料价格波动的影响，因为它们不需要燃料！
对未来可持续人类的投机探索...
摘要：自动穿梭巴士（ASB）被认为是未来在公共交通中应用自动驾驶技术的必不可少的方向。随着驾驶员的角色逐渐减少和消失，用于信息交换和用户和ASB之间的信息交换和通信的人类界面（HMI）发挥了更为突出的作用，并且逐渐成为研究中的热点。但是，自主驾驶的不可预测性和复杂性，一种异常快速增长的技术，阻碍了其未来的研究。这项工作首次回顾了三类相关文献：内部，外部和站点。其次，通过探索ASB的现有HMI设计，可以将系统性和投机性设计的重要性得到确定。第三，分析了由三个平行研讨会产生的ASB概念。最后，在线问卷和访谈完成了关键的反思和讨论。结果表明，将与系统和投机设计有关的工具和方法引入HMI的ASB设计过程可能会帮助设计师批判性地思考ASB的未来不确定性，并处理系统的复杂性。
有知情的投机者的战略承诺
我们分析了一个知情的交易者的投机模式，他可以在凯尔风格的经销商市场中致力于他的交易策略。知情的交易者承诺对交易策略和做市商的价格有竞争力的知识，但对交易策略的功能形式进行了了解，但不考虑交易者的私人信息。我们提供了独特平衡获得的条件。我们表征了这种策略承诺的（非负）价值，从而建设性地表明它可能是严格的积极价值。然后，我们得出了必要且足够的封闭形式条件，以使知情人士无法从承诺中获利。这将模型原始素（基本价值和噪声交易的分布）施加条件，即在两个分布都正常时通过线性平衡来满足。
投机杂种：通过使用3D生成对抗网络
摘要建筑设计的过程旨在解决具有松散定义的配方的复杂问题，没有明确的基础来终止问题解决活动，并且无法实现理想的解决方案。这意味着设计问题（作为邪恶的问题）位于不完整和精确度之间的空间中。一般使用数字工具和人工智能，特别是在设计问题上，将介导不完整和精确度之间的解决方案空间。在本文中，我们介绍了一项研究，我们采用机器学习算法来生成针对特定地点法规的概念架构形式。我们创建了一个单户住宅的注释数据集，并将其用于训练3D生成对抗网络，该网络生成了符合站点约束的注释点云。然后，我们将框架介绍给了23位体系结构从业者，以尝试了解该框架是否可以成为早期设计的有用工具。我们做出了三个方面的贡献：首先，我们共享一个带注释的单户住宅的构造相关的3D点云的数据集。接下来，我们介绍并共享框架的代码以及培训3D生成神经网络的结果。最后，我们讨论了机器学习和创造性工作，包括从业者对这些工具的出现作为介体在建筑设计中不完整和精确度之间的感觉。