XiaoMi-AI文件搜索系统
World File Search System歧义
收件箱入侵：利用MIME歧义逃避电子邮件附件探测器
电子邮件附件已成为Malware活动的偏爱交付向量。在响应中，电子邮件附件检测器被广泛部署以保护电子邮件安全性。但是，当对手利用电子邮件检测器和客户之间的解析差异以逃避检测时，就会出现新的威胁。目前，发现这些漏洞仍然取决于手动临时方法。在本文中，我们对通过解析歧义漏洞的电子邮件附件检测进行了首次系统评估。我们提出了一种新颖的测试方法Mimeminer，以系统地发现电子邮件系统中的逃避漏洞。我们对16个流行电子邮件服务（如Gmail和iCloud）的16个内容探测器以及7个流行的电子邮件客户端（如Outlook和Thunderbird）进行了评估。总共发现了19种影响所有经过测试的电子邮件服务和客户的新逃避方法。我们进一步分析了这些漏洞，并确定了三个主要类别的恶意软件逃避类别。我们已经向受影响的提供者报告了那些确定的漏洞，以帮助解决此类脆弱性，并从Google Gmail，Apple Icloud，Coremail，Tencent，Tencent，Amavis，Amavis，Amavis和Perl Mime-Tools获得了确认。
是鸟的照片吗？理解机器视觉模型中各种人类观点和歧义的混合方法
抽象的人类经历是复杂而主观的。这种主观性以人们标记机器视觉模型标记图像的方式反映了。经常假定注释任务可以提供客观的结果，但该假设不允许人类经验的主观性。本文研究了主观人类判断在标记用于训练机器视觉模型的图像的行为任务中的含义。我们确定了歧义的三个主要来源：（1）图像中标签的描述可能简单地模棱两可，（2）评估者的背景和经验可以影响其判断力，以及（3）定义标签任务的方式也可能会影响评级者的判断。通过采取步骤解决这些歧义来源，我们可以创建更健壮和可靠的机器视觉模型。
额叶，顶叶和颞大脑区域被差异激活，当歧义关节注意的潜在对象
4。†这些作者为这项工作做出了同样的贡献。pt开发了14个研究的概念框架。pt，PK和HR设计了实验。PK和PWD进行了15个实验。PK和MG分析了数据。所有作者都为16个结果和写作的解释做出了贡献。17
最佳无歧义鉴别中非零先验概率决定的无纠缠量子非局域性
无纠缠非局域性 (NLWE) 是多部分可分离状态的量子态鉴别中发生的一种非局域现象。在正交可分离状态的鉴别中，当无法通过局部操作和经典通信完美区分量子态时，使用术语 NLWE。在这种情况下，NLWE 的发生与正在制备的量子态的非零先验概率无关。最近发现，在非正交可分离状态的最小误差鉴别中，NLWE 的发生可能取决于非零先验概率。在这里，我们表明，即使在最佳无歧义鉴别中，NLWE 的发生也可能取决于非零先验概率。我们进一步表明，即使只有一个状态可以无误差地进行局部鉴别，NLWE 也可以与非零先验概率无关地发生。我们的结果为根据量子态鉴别对多部分量子态集进行分类提供了新的见解。
从威胁歧义的角度澄清供应链破坏和运营弹性关系：中小型企业的证据
鉴于企业，学者和专家认为这些事件的巨大风险供应链中断构成了弹性的恢复工作。这项研究使用威胁性理论来质疑这一规范性假设，这是通过提出供应链破坏可以触发威胁解释偏见的，这破坏了运营的弹性。具体来说，该研究认为，威胁解释偏见会负面介导供应链破坏与操作弹性之间的关系，尤其是在低中断的环境情况下。使用基于协方差的结构方程建模对加纳259家中小型企业的调查数据进行了经验分析，支持了这些理论预测。结果表明，供应链中断会增加威胁解释偏见，从而降低了操作弹性。威胁解释偏见对操作弹性的负面影响在干扰方向低于高时更强。这些结果提供了对供应链破坏的增强理解 - 弹性链接，同时阐明了企业如何管理威胁解释偏见以提高运营弹性。
练习Paper-1 X类人工智能...
处理（NLP）。歧义可能源于具有多种含义（词汇歧义），不清楚的句子结构（句法歧义）或基于上下文（语义歧义）的不同解释的单词。NLP技术（例如词性标记）通过分析单词的上下文来帮助解决词汇歧义。同样，语法检查算法有助于确定正确的句子结构，而在大规模数据集中训练的机器学习模型可以学会根据上下文提示推断预期的含义。
无法进行明确沟通是人工智能系统失败的原因之一
人类的语言能力允许任何特定的说话者“无限地使用有限的手段” [Chomsky, 2006]。这就是说，所有可能的句子的集合是无限的，而组成它们的单词的集合是有限的。然而，歧义（即对一个表达式有多种解释）在自然语言中随处可见 [Wasow et al. , 2005]。目前尚不清楚自然语言中为何存在歧义。鉴于它会阻碍交流，人们可能认为语言会进化来避免它，然而这并没有被观察到 [Wasow et al. , 2005]。一种解释是，将一个词映射到多个含义可以节省记忆。另一种说法认为，歧义是人类偏向较短词素的结果 [Wasow et al. , 2005]。还有一种解释认为，歧义是语言进化过程中效率优化（最小努力原则）的产物。根据这种观点，歧义是语言进化到最小努力的代价 [Sol´e and Seoane, 2015]。在本文中，我们不会试图解释歧义的根本原因，而是展示它如何给人工智能系统带来问题。首先，我们将确定语音、句法和语义层面上出现的歧义类型，并注意现代自然语言处理 (NLP) 系统如何消除歧义输入。最后，我们将考虑更先进的人工智能如何利用歧义，以及不法分子如何利用此类系统来达到他们的目的。
大脑过程如何影响我们的决策？
然而，这种影响的强度会因所用词语的不同而不同。词语的歧义性越小，影响就越弱。想象一下，多个人同时使用正面和负面的词语来描述这部电影，如“令人惊叹”、“精彩”、“垃圾”和“糟糕透顶”。由于每个词的意思都很清楚，我们的期望的影响就比较弱。然而，尽管这些词语本身都不是模棱两可的，但这部电影是否值得一看仍然存在歧义。这里的歧义源于观点相互矛盾的事实。
机器人技术和人工智能可能通过“梵语”这一古老语言实现
摘要 — 人工智能渗透到无数领域，其中之一就是自然语言处理。随着人类不断努力远离机器的术语，人们开始需要将自然语言作为机器的输入。所有自然语言都表达了大量的歧义。虽然人类在使用中可以正确地解释这些语言，但对于缺乏根据上下文区分各种解释能力的计算机来说，这种歧义是一种弊端。因此，当今需要一种能够在很大程度上消除这种歧义的语言，同时又适合在人工智能系统中表示知识。梵语已经流行了数千年，在人类使用过程中没有磨损和变形，可以用来表示这种知识
不保证的转换
11 Denoeux，Dubois和Prade（2020）和Caprio等。 （2023）主张在AI中使用不精确的概率。 ilin（2021）考虑了一种决策理论，该理论允许对自主安全系统中应用的歧义厌恶。 众所周知，歧义厌恶导致信息厌恶（Al-Najjar和Weinstein 2009）。 12作为一个匿名裁判指出，如果在替代决定理论之后设计AI代理会产生重大风险，那么也许我们不应该这样做，并学会与那些对风险和歧义不敏感的代理人生活。 虽然这是一个合理的观点，但我们许多人对风险和歧义敏感，可能希望AI代理反映这些偏好。 如果AI代理不能这样做，这是一个巨大的成本。 13，例如，Skyrms（1990），p。 247写道：“证据隐含地假设决策者是贝叶斯人，而且他知道他会充当一个。。 决策者认为，如果他执行实验，他将（i）通过条件化进行更新，并且（ii）选择《后贝叶斯法》。 这意味着Good的定理也将使不确定他们将最大化预期效用的代理商失败。11 Denoeux，Dubois和Prade（2020）和Caprio等。（2023）主张在AI中使用不精确的概率。ilin（2021）考虑了一种决策理论，该理论允许对自主安全系统中应用的歧义厌恶。众所周知，歧义厌恶导致信息厌恶（Al-Najjar和Weinstein 2009）。12作为一个匿名裁判指出，如果在替代决定理论之后设计AI代理会产生重大风险，那么也许我们不应该这样做，并学会与那些对风险和歧义不敏感的代理人生活。虽然这是一个合理的观点，但我们许多人对风险和歧义敏感，可能希望AI代理反映这些偏好。如果AI代理不能这样做，这是一个巨大的成本。13，例如，Skyrms（1990），p。 247写道：“证据隐含地假设决策者是贝叶斯人，而且他知道他会充当一个。。 决策者认为，如果他执行实验，他将（i）通过条件化进行更新，并且（ii）选择《后贝叶斯法》。 这意味着Good的定理也将使不确定他们将最大化预期效用的代理商失败。13，例如，Skyrms（1990），p。 247写道：“证据隐含地假设决策者是贝叶斯人，而且他知道他会充当一个。决策者认为，如果他执行实验，他将（i）通过条件化进行更新，并且（ii）选择《后贝叶斯法》。这意味着Good的定理也将使不确定他们将最大化预期效用的代理商失败。