XiaoMi-AI文件搜索系统
World File Search System用户代理
TR 103 719 - V1.1.1 - 基于身份的加密指南
DSA 数字签名算法 ECC 椭圆曲线密码 ECCSI 基于椭圆曲线的基于身份的无证书签名 ECDSA 椭圆曲线数字签名算法 FE 函数加密 HIBE 基于身份的分层加密 IBC 基于身份的密码 IBE 基于身份的加密 IBS 基于身份的签名 IdM 身份管理 IMAP 互联网消息访问协议 IMAP4 互联网消息访问协议 v4 IoT 物联网 ITS 智能运输系统 KMS 密钥管理服务 LMTP 本地邮件传输协议 LTE 长期演进 MCPTT 任务关键型一键通 MPK 主公钥 MSK 主密钥 MTA 消息传输代理 MUA 消息用户代理 NIST 国家标准与技术研究所 PAP 策略管理点 PDP 策略决策点 PEP 策略执行点 PIP 策略信息点 PKC 公钥密码 PKI 公钥基础设施 POP 邮局协议 POP3 邮局协议 v3 RK 随机密钥 RSA Rivest-Shamir-Adleman SK密钥 SKID 密钥 IDentity SMTP 简单邮件传输协议 SMTPS 简单邮件传输协议安全 SP 特别出版物（NIST） URI 统一资源标识符 XACML 可扩展授权控制标记语言
当大型语言模型代理遇上6G网络
基于多模态大型语言模型 (LLM) 的抽象 AI 代理有望彻底改变人机交互，并在医疗保健、教育、制造和娱乐等各个领域提供更加个性化的助理服务。在 6G 网络中部署 LLM 代理使用户能够通过移动设备民主地访问以前昂贵的 AI 助理服务，从而减少交互延迟并更好地保护用户隐私。然而，移动设备的有限容量限制了部署和执行本地 LLM 的有效性，这需要在长距离交互期间将复杂任务卸载到边缘服务器上运行的全局 LLM。在本文中，我们为 6G 网络中的 LLM 代理提出了一种分割学习系统，利用移动设备和边缘服务器之间的协作，其中具有不同角色的多个 LLM 分布在移动设备和边缘服务器上，以协作执行用户代理交互任务。在所提出的系统中，LLM 代理分为感知、接地和对齐模块，以促进模块间通信，以满足用户对 6G 网络功能的扩展要求，包括集成传感和通信、数字孪生和面向任务的通信。此外，我们在所提出的系统中引入了一种用于 LLM 的新型模型缓存算法，以提高上下文中的模型利用率，从而降低协作移动和边缘 LLM 代理的网络成本。
使用机器人角色扮演角色扮演：通过叙事和游戏代理增加用户参与
现场娱乐活动正朝着更大的参与式审议迈进，并通过观众互动讲述了动态的叙述。robot角色提供了一个独特的机会，可以减轻大规模创建个性化娱乐的挑战。但是，机器人通常无法对受众的反应做出反应，从而限制了观众参与的机会。在这项工作中，我们探讨了在具有机器人角色的现场娱乐体验中增加用户代理的方法，以改善用户参与度和享受。在受试者间研究（𝑁= 60）中，我们创建了一个身临其境的故事，用户角色扮演作为具有两个不同机器人角色的侦探。用户（1）通过与机器人交谈（叙事条件）交谈，在故事中具有更大的参与和自我认同，（2）在解决难题（游戏玩法）（游戏玩法）中具有更积极的作用，或者（3）在不受机器人提示的情况下跟进输入（CON-TROL条件）。我们的结果表明，在角色扮演或游戏玩法中，在角色扮演体验中增加用户代理，证明了用户的流动状态，自主性和能力的感觉，口头参与以及对机器人角色参与度的看法。不断增加的叙事机构还导致了参与者的更长的未提及的反应，而游戏机构改善了与机器人的影响和相关性的感觉。这些发现表明，创建叙事或游戏机构可以改善用户参与度，这可以扩展到更广泛的机器人互动，其中游戏元素和故事中的角色扮演可以合并。
应用微电子 (AME) 隐私声明
1. 简介 本隐私声明提供有关 AME（位于荷兰埃因霍温 Esp 119, 5633 AA）收集的个人数据以及 AME 使用这些个人数据的方式的信息。 2. 个人数据收集 我们通过联系表收集以下个人数据： - 姓名 - 电子邮件地址 - 消息 这些数据仅用于回复访客的询问和促进沟通。 3. Cookie 的使用 我们在网站上使用功能性 Cookie 来增强用户体验并确保高效导航。 4. 分析和非个人信息收集 我们收集非个人身份信息，其中包括无法识别您个人身份的数据。这些数据对于我们了解网站的使用方式并进行相应改进至关重要。我们收集的非个人身份信息类型包括：1. 匿名 IP 地址：我们采用 2 字节屏蔽技术来匿名化您的 IP 地址，确保无法通过该地址识别您的身份。2. 用户代理数据：这包括有关您使用的浏览器和操作系统的信息，有助于为所有用户优化我们的网站。3. 页面浏览量：我们跟踪网站上浏览过的页面，以了解热门内容并改进导航。4. 大致地理位置：为了提供本地化体验，我们以汇总的匿名形式收集地理位置数据。5. 访客 ID：我们会为每个访客分配一个唯一的匿名标识符，以便分析网站访问量和趋势。 5. 数据使用 所收集的数据仅用于访问者发起的特定联系。我们不会将数据用于广告目的，也不会分发新闻通讯。我们确保数据的保存时间不会超过其预期目的所需的时间。 6. 数据保护 我们非常重视您个人数据的安全。但是，由于我们没有指定的隐私官，请将有关我们的隐私政策或您个人数据处理的任何问题发送至 info@meƟs-group.nl。
优化身体相互适应的框架......
人机界面的操作越来越多地被称为双学习者问题，其中人和界面都基于共享信息独立调整其行为，以提高特定任务的联合性能。从人体机界面领域汲取灵感，我们采取不同的视角，并提出了一个框架，用于研究在界面的演变取决于用户的行为并且不需要明确定义任务目标的情况下的协同适应。我们对协同适应的数学描述建立在以下假设之上：界面和用户代理共同适应以最大化交互效率而不是优化任务性能。这项工作描述了人体机界面的数学框架，其中天真的用户与自适应界面交互。界面被建模为从高维空间（用户输入）到低维反馈的线性映射，充当自适应“工具”，其目标是在无监督学习过程之后最大限度地减少传输损耗，并且不知道用户正在执行的任务。用户被建模为非平稳多元高斯生成过程，该过程产生一系列统计上独立或相关的动作。依赖数据用于建模与实现任务规定的某些未知目标有关的动作选择模块的输出。该框架假设，与此明确目标并行，用户正在隐性学习一种合适但不一定是最佳的与界面交互的方式。隐性学习被建模为使用依赖性学习，由作用于生成分布的基于奖励的机制调节。通过模拟，该工作量化了当用户学习操作静态界面与自适应界面时，系统如何根据学习时间尺度演变。我们表明，可以直接利用这个新框架来轻松模拟各种交互场景，以促进对导致联合系统最佳学习动态的参数的探索，并为人机协同适应优于用户适应提供经验证明。