XiaoMi-AI文件搜索系统
World File Search System渐近性
无效无限摘要内容的全息性
我们认为，在四维渐近性的量子重力理论中，可以从未来无效的未来无效范围内的无限端邻域获得所有有关无质量激发的信息，并且不需要未来所有的无效观察结果。此外，尽管相反不正确，但也可以从附近任何早期削减的观察值中获得有关未来无效的未来零事物的所有信息。我们为这两个断言提供了独立的论点。与过去无效的相似陈述相似。这些陈述对信息悖论具有直接的影响，因为它们表明该状态的细粒度von neumann熵定义在未来无效的一部分（-∞，u）上的段（-∞，u）与u独立于u。这与经常出现的页面曲线大不相同，有时该熵有时会服从。我们将结果与在黑洞蒸发的上下文中对页面曲线的最新讨论进行了对比，并讨论了我们的结果与其他全息含量侵蚀空间的关系的关系。
zkllm：大语言模型的零知识证明
最近的人工智能（AI）激增，其特征是大型语言模型（LLM）的突出性，已迎来了全球的基本转变。，除了这些进步之外，围绕LLMS合法性的担忧已经增长，对其广泛的应用构成了法律挑战。加剧了这些关注点，LLM的参数通常被视为知识产权，限制了直接调查。在本研究中，我们解决了AI立法领域中的基本挑战：建立LLMS产生的产出的真实性的必要性。为了解决这个问题，我们提出了ZKLLM，它是为我们所知的为LLMS量身定制的首届专业零知识证明。解决深度学习中非偏心操作的持续挑战时，我们介绍了Tlookup，这是一个平行的查找参数，专为深度学习中的非偏振量张量操作而设计，提供了一个没有渐近性高架的解决方案。此外，在利用Tlookup的基础上，我们介绍了Zkattn，这是一种专门的零知识证明，为注意机制而设计，精心平衡运行时间，内存使用和准确性的考虑。在我们完全并行的CUDA实现的能力下，ZKLLM旨在在LLMS上实现有效的零知识可验证计算的重要大步。非常重要的是，对于拥有130亿个参数的LLMS，我们的方法可以在15分钟内为整个推理过程提供正确的证明。由小于200 kb的最终证明旨在维护模型参数的隐私，从而确保没有无意的信息泄漏。
平面随机增长模型中的波动下限
即使经过多年对随机增长模型（如首次和最后一次渗透和定向聚合物）的研究，许多问题在技术上仍然是神秘的或遥不可及的。例如，除了保证通过时间/自由能的线性增长率的基本形状定理之外，还存在亚线性波动，其渐近性尚未建立。即使在平面设置中，对于该设置，推测图景很清晰，但一般工具远不能使其严格。这与可积模型形成鲜明对比，可积模型的波动指数只是已证明的一小部分。在本文中，我们考虑了三个广泛研究的随机增长模型：首次渗透（FPP）、最后一次渗透（LPP）和随机环境中的定向聚合物。虽然这些模型在衡量增长的方式上有所不同，但它们都拥有一个大数定律，即增长率是渐近线性的。然而，更神秘的是亚线性波动。在二维版本中，这些模型被认为属于 Kardar–Parisi–Zhang 普适性类 [30]，尤其是增长涨落的阶数为 n 1 / 3。除了 LPP 和定向聚合物具有精确可溶性的特殊情况外，严格的结果与这一目标相去甚远，在某些情况下甚至不存在。本文的目标有两个。首先，我们描述一种通用策略，用于证明随机变量序列（在定义 2.1 中明确定义）涨落阶的下界。该方法改编自第二作者最近在 [23] 中开发的技术。它很通用，因为它可以用于由独立同分布随机变量组成的各种问题，其中不对这些变量的共同分布做出任何假设。其次，我们应用该方法研究平面 FPP、LPP 和定向聚合物的生长涨落。在这三种情况下，我们都能证明 √ log n 阶波动的下限。此外，对于 FPP，我们扩展了形状
可被证明基于得分的扩散后取样，用于插件图像重建
在科学和工程中的许多任务中，目标是从从已知的前向模型中收集的少量嘈杂测量值中推断出未知的图像，描述了某些传感或成像模式。由于资源限制，此图像重建任务通常是极度不良的，因此需要采用表达性的先验信息以正行解决方案空间。基于得分的扩散模型，由于其令人印象深刻的经验成功，已成为图像重建中表现出的先验的吸引人的候选人。为了立即适应各种任务，开发有效，一致和健壮的算法非常有趣，这些算法将图像先验分布的无条件得分函数与远期模型的灵活选择结合在一起。这项工作开发了一种算法框架，用于在与一般正向模型的非线性反问题中使用基于得分的扩散模型作为当前数据。是由成像社区中的插件和播放框架激励的，我们引入了一种扩散的插件方法（DPNP），该方法替代称为两个采样器，这是一个仅基于远期模型的可能性函数，并且是基于远期的扩散采样者的近端一致性采样器，并基于远期模型的函数。关键见解是，在白色高斯噪声下进行降解可以通过随机（即DDPM型）和确定性（即DDIM型）采样器使用相同的分数函数进行训练。代码可在https://github.com/x1xu/diffusion-plug-and-play上找到。我们同时建立了DPNP的渐近性和非质子性能保证，并提供了数值实验，以说明其在解决线性和非线性图像重建任务方面的希望。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。据我们所知，DPNP是使用无条件扩散先验的非线性反问题的第一种可证明的后验抽样方法。