XiaoMi-AI文件搜索系统
World File Search System混合策略
基于混合自动编码器和LSTM Neural
摘要：风险识别和缓解对于在不断变化的供应链管理领域（SCM）中保持韧性和效率至关重要。现代供应网络中固有的复杂性和不确定性通常太复杂了，无法有效解决传统风险管理技术。为了增强供应链管理中的风险检测和管理，本研究探讨了将区块链技术与深度学习混合的混合策略。区块链通过为供应链操作监视提供透明和分散的系统来确保数据完整性和透明度。深度学习可以改善此过程，该过程分析了大量的历史数据和当前数据，以识别模式，预测威胁并提出对策。所提出的系统利用区块链技术的不可侵犯性和深度学习的预测能力来应对诸如欺诈检测，需求预测，供应商评估和中断预测等重要挑战。使用混合自动编码器和基于LSTM的深神经网络可以确保数据集。自动编码器用于降低维度和降低噪声和冗余数据，这些数据将进一步通过基于LSTM的神经网络，以增强基于区块链的交易数据的安全性。
国土安全部
组件预算概述 2024 财年预算包括 31 亿美元、3,756 个职位和 3,304 个全职人员，用于网络安全和基础设施安全局 (CISA)。CISA 是该国管理和减轻网络和物理安全威胁对我们关键基础设施的风险、保护和保护联邦民事行政部门 (FCEB) 网络免受网络威胁以及确保安全、可互操作的紧急通信的运营实体。这些努力是我们作为一个国家的复原力的基础，并依赖于我们与不同利益相关者保持的动态关系。在当今全球互联的世界中，我们的关键基础设施面临着各种严重风险。民族国家对手和竞争对手试图通过各种混合策略来推进他们的目标，包括微妙的行动，这些行动大大削弱了国家的关键物理和网络基础设施，从而削弱了美国权力的基础，削弱了社会的功能，并增加了对手威胁我们关键基础设施的能力。其中许多风险非常复杂，分散在各个地区和各种利益相关者中，难以理解和解决。CISA 正是在此发挥了分析、规划和响应的中央协调员的作用，特别是在 CISA 被指定为联邦政府领导的领域。我们通过将不同的利益相关者聚集在一起，共同协作，领导国家的风险管理工作
![arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日](/simg/e\e1fd4be4a8f1766e1b569d55fce3ac807267f447.webp)
arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日
摘要。本文介绍了 MCTS-BN，它是蒙特卡洛树搜索 (MCTS) 算法的一种改编，用于贝叶斯网络 (BN) 的结构学习。MCTS 最初设计用于博弈树探索，现已重新用于解决学习 BN 结构的挑战，方法是探索贝叶斯网络中潜在祖先顺序的搜索空间。然后，它采用爬山法 (HC) 从每个顺序中得出贝叶斯网络结构。在大型 BN 中，变量顺序的搜索空间变得巨大，在推出阶段使用完全随机的顺序通常不可靠且不切实际。我们采用半随机方法来应对这一挑战，方法是结合从其他启发式搜索算法（如贪婪等价搜索 (GES)、PC 或 HC 本身）获得的变量顺序。这种混合策略减轻了计算负担并提高了推出过程的可靠性。实验评估证明了 MCTS-BN 在改进传统结构学习算法生成的 BN 方面的有效性，即使在基础算法阶数次优的情况下也表现出稳健的性能，并且在提供有利阶数时超越了黄金标准。
最优营销策略的博弈分析
2021年初，疫情病例不断增加，使得在线交易（市场）更加普遍，市场公司之间的竞争也更加激烈。营销策略竞争可以用博弈论的方法来检验。本研究旨在确定市场中的最佳营销策略，从而增加市场份额。从收益矩阵的数据处理来看，不存在最大值与最小值不相同的鞍点，因此纯策略不是最优策略。此外，使用POM-QM程序处理数据，以确定每个市场的最佳营销策略值。使用混合策略在市场之间进行博弈。在Shopee和Tokopedia的游戏中，最佳博弈值为9%。在第二场游戏Shopee和Lazada中，最佳博弈值为10%。在Shopee和Bukalapak的游戏中，最佳博弈值为8%。在Shopee和Blibli的游戏中，最佳博弈值为16%。在Tokopedia和Lazada的游戏中，最佳博弈值为10%。在Tokopedia和Bukalapak游戏中，最佳游戏价值为9%。在Tokopedia和Blibli游戏中，最佳游戏价值为9%。在Lazada和Bukalapak游戏中，最佳游戏价值为11%。在Lazada和Blibli游戏中，最佳游戏价值为13%。在上一款游戏中，Bukalapak和Blibli，最佳游戏价值为14%。
![arxiv：2402.14708v2 [cs.lg] 2024年11月27日](/simg/f\f4eea40ae577324e7367cebb2de8336e7a99368e.webp)
arxiv：2402.14708v2 [cs.lg] 2024年11月27日
信用卡欺诈对经济构成重大威胁。虽然图神经网络（GNN） - 基于基于的欺诈检测方法表现良好，但它们经常忽略节点局部结构对预测的因果影响。本文介绍了一种新颖的信用卡欺诈检测方法，即ca usal t emporal g raph n eural n etwork（cat-gnn），该方法利用了因果不变的学习来揭示事务数据中的固有相关性。通过将问题分解为发现和干预阶段，CAT-GNN可以识别事务图中的因果节点，并应用因果混合策略来增强模型的效果和解释性。cat-gnn由两个关键组成部分组成：因果检查员和因果关系。因果检查员利用时间注意机制中的调整权重识别因果和环境节点而无需引入其他参数。随后，因果关系基于一组节点对环境节点进行因果混合性。在三个数据集上进行了评估，包括一个私人财务数据集和两个公共数据集，CAT-GNN表现出优于现有最新方法的卓越性能。我们的发现突出了将因果原因与图形神经网络相结合以提高金融交易中欺诈检测能力的潜力。
通过预训练对比脑电图文本掩蔽自动编码器的可转移表征增强脑电图到文本解码
从非侵入性脑电图 (EEG) 重建自然语言作为脑机接口 (BCI) 的语言解码技术有着巨大的应用前景。然而，基于 EEG 的语言解码仍处于起步阶段，面临着一些技术问题，例如：1）缺乏能够有效结合跨模态（EEG 和文本之间）自学习与 EEG 特征或文本序列的模态内自重建的混合策略；2）未充分利用大型语言模型 (LLM) 来增强基于 EEG 的语言解码。为了解决上述问题，我们提出了对比 EEG-T 文本询问自动编码器 (CET-MAE)，这是一种新颖的模型，它通过专用的多流编码器在 EEG 和文本之间和内部协调复合自监督学习。此外，我们开发了一个名为 E2T-PTR（使用预训练可迁移表示进行 EEG 到 T 文本解码）的框架，该框架利用预训练模块以及来自 CET-MAE 的 EEG 流，并进一步使 LLM（特别是 BART）能够从 EEG 序列中解码文本。在流行的文本诱发 EEG 数据库 ZuCo 上进行的全面实验证明了 E2T-PTR 的优越性，它在 ROUGE-1 F1 和 BLEU-4 得分上分别比基线框架高出 8.34% 和 32.21%。我们提出的预训练 EEG-Text 模型显示出改善涉及 EEG 和文本的下游任务的潜力。这为其在内部语音 BCI 范式中的应用开辟了有希望的途径，值得进一步研究。
![arXiv:2402.17433v3 [cs.CL] 2024 年 6 月 10 日](/simg/8\8c638926a1412648b697e0e9a174efbdb7fac2fb.png)
arXiv:2402.17433v3 [cs.CL] 2024 年 6 月 10 日
从非侵入性脑电图 (EEG) 重建自然语言作为脑机接口 (BCI) 的语言解码技术有着巨大的应用前景。然而，基于 EEG 的语言解码仍处于起步阶段，面临着一些技术问题，例如：1）缺乏能够有效结合跨模态（EEG 和文本之间）自学习与 EEG 特征或文本序列的模态内自重建的混合策略；2）未充分利用大型语言模型 (LLM) 来增强基于 EEG 的语言解码。为了解决上述问题，我们提出了对比 EEG-T 文本询问自动编码器 (CET-MAE)，这是一种新颖的模型，它通过专用的多流编码器在 EEG 和文本之间和内部协调复合自监督学习。此外，我们开发了一个名为 E2T-PTR（使用预训练可迁移表示进行 EEG 到 T 文本解码）的框架，该框架利用预训练模块以及来自 CET-MAE 的 EEG 流，并进一步使 LLM（特别是 BART）能够从 EEG 序列中解码文本。在流行的文本诱发 EEG 数据库 ZuCo 上进行的全面实验证明了 E2T-PTR 的优越性，它在 ROUGE-1 F1 和 BLEU-4 得分上分别比基线框架高出 8.34% 和 32.21%。我们提出的预训练 EEG-Text 模型显示出改善涉及 EEG 和文本的下游任务的潜力。这为其在内部语音 BCI 范式中的应用开辟了有希望的途径，值得进一步研究。
量子游戏专题
本研究集中于同时移动的非合作量子博弈。其中一部分显然不是新的，但为了自洽起见，将其包括在内，因为它致力于介绍相关主题的数学和物理基础，以及如何将简单的经典博弈修改为量子博弈（此过程称为经典博弈的量化）。简要强调了博弈论与信息科学之间的联系，并揭示了量子纠缠的作用（在量子博弈论中起着核心作用）。利用这些工具，我们研究了一些基本概念，例如纯策略和混合策略纳什均衡的存在（或不存在）及其与纠缠程度的关系。本研究的主要结果如下：1）基于最佳响应函数法构建数值算法，旨在寻找量子博弈中的纯策略纳什均衡。该形式化方法基于将连续变量离散化为点的网格，可应用于基于最佳反应函数法的双人双策略经典博弈中的量子博弈。2）应用该算法研究纯策略纳什均衡的存在与否与纠缠度（由连续参数γ指定）的关系问题。结果表明，当经典博弈GC存在非帕累托有效的纯策略纳什均衡时，具有最大纠缠度（2γ=π）的量子博弈GQ不存在纯策略纳什均衡。通过研究非对称囚徒困境博弈，发现存在一个临界值02γ<<πc，使得当γγ<c时，存在纯策略纳什均衡
量子博弈论的优势及应用
1.1 背景信息。随着量子计算的发展，David A. Meyer 于 1999 年首次将其与博弈论相结合 [Mey99]。为了找到一种更好的策略来提高个人的预期收益，Meyer 应用了通用量子算法并生成了一种量子策略，并证明该策略始终至少与经典策略一样好。这一发现的结果为博弈论的新篇章——量子博弈论奠定了基础。从那时起，许多数学家、物理学家和经济学家通过构建经典博弈论模型的量子版本来探索这一领域，例如最著名的博弈论模型：囚徒困境 [EWL99]。经典博弈论和量子博弈论的主要区别在于建模中使用了纠缠机制。与传统博弈论不同，量子博弈论并不采用纯策略或混合策略，而是假设博弈者共享一个（或多个，尽管这类模型不在本研究范围内）量子比特，并且他们的策略基于在两个不同基础上对该量子比特的测量进行评估。自从量子博弈论诞生以来，它就备受赞誉和批评，对它的探索也面临挑战。由于量子博弈论的性质复杂，涉及多个知识领域，因此需要物理学、计算机科学、数学和经济学方面的背景，这为想要进入该领域的研究人员设定了很高的门槛。另一个重要的批评是，到目前为止，量子博弈论的研究还局限于经济学现有的知识范围，因此未能为其带来新的投入 [Lev05]。然而，有理由怀疑这种情况将会改变 [DJL05]，因此量子博弈论在现实生活中的适用性是一个持续讨论的话题。
在罕见疾病中解码复杂的遗传表型
罕见的疾病会影响全球数百万的人，大多数疾病具有遗传病因。将下一代测序纳入临床环境，尤其是外显子组和基因组测序，在过去十年中导致了诊断和发现的前所未有的改善。尽管如此，这些工具在许多国家都无法使用，增加了高和中低收入国家之间的医疗保健差距，并延长了患者的“诊断奥德赛”。为了在有限的基因组资源的设置中推进基因组诊断，我们开发了智利中未诊断的疾病计划的破译。Decipherd分为两个阶段：培训和地方发展。培训阶段依靠与贝勒医学院的国际合作，当地发展是一种混合模型，在该模型中，由于缺乏智利的高通量设备，在内部进行了临床和生物信息学分析，并在国外进行了测序。我们描述了第一个103例患者的实施过程和发现。他们具有异质表型，包括先天性异常，智力残疾和/或免疫系统功能障碍。患者接受了临床外显子组或研究外观测序，作为独奏病例或使用三重奏设计的父母。我们鉴定了与患者的47（45.6％）相关的基因中未知的病原体或未知显性的致病性或变体。一半是从头提供信息的变体，而以前尚未在公共数据库中报告了一半的识别变体。Decipherd终止了许多参与者的诊断奥德赛。这种混合策略对于类似有限的基因组资源的设置可能很有用，并导致研究不足的人群的发现。