XiaoMi-AI文件搜索系统
World File Search System符号模型
松鼠供者及其逻辑
1。简介安全协议如今已广泛用于确保通过Internet等公共渠道进行的交易。常见用途包括敏感信息的安全传输，例如信用卡号或系统上的用户身份验证。因为它们在许多广泛使用的应用中存在（例如电子商务，政府发行的ID），开发验证安全协议的方法和工具已成为重要的研究挑战。这样的工具有助于提高我们对协议的信任，从而对依靠它们的应用程序进行信任。正式的方法已经带来了各种方法，以证明加密促进确实保证了预期的安全性。在这一研究领域的一种有效方法是将密码信息作为一阶术语建模，以及代表攻击者能力的方程理论。最初在[Dolev and Yao 1981]中提出的这个想法多年来得到了完善，导致了各种所谓的符号模型。这些模型包括攻击者的广泛类别，并促进了协议的自动验证。他们导致了成功的工具的开发，例如Proverif [Blanchet 2001]和Tamarin [Meier等。2013]。但是，重要的是要注意，符号模型中的安全性并不一定意味着密码师标准模型中的安全性，称为计算模型。与符号模型相比，验证计算模型的验证技术虽然至关重要，但与符号模型相比通常具有较小的灵活性或自动化。 2023]。验证计算模型的验证技术虽然至关重要，但与符号模型相比通常具有较小的灵活性或自动化。2023]。在该模型中，攻击者由概率多项式时间图灵机（PPTMS）表示，并且证明协议与理想化的，显然是安全的版本没有区别。作为一个例证，秘密键是在计算模型中忠实地建模的，因为长斑点是随机均匀绘制的，而它们是在符号模型中使用抽象名称进行建模的。在符号模型中，两个不同的秘密键由不同的名称表示，这些键不能相等。然而，在计算模型中，就像实际上一样，采样的斑点是相等的（尽管不太可能）。在此列中，我们提出了一种基于逻辑的方法，用于验证计算模型中的加密协议，以及在松鼠工具中实现的一些实际方面[Baelde等。2021; Baelde等。该系统建立在[Bana and Comon-Lundh 2012的计算完整符号攻击者（C CSA）方法上； Bana and Comon-lundh 2014]，依赖于逻辑的象征环境，但避免了上述符号模型的局限性。CSA方法不是通过说明对手可以做什么的规则来建模攻击者功能，而是依赖于攻击者无法做的规范。从加密原始图的安全属性开始，人们得出了表达哪些消息序列的规则是无法区分的。这些
符号和心理程序：关于人类奇点的假设
自然语言通常被视为解释人类认知奇点的唯一因素。相反，我们认为人类拥有多种内部思维语言，类似于计算机语言，它们对各个领域（数学、音乐、形状……）的结构进行编码和压缩。这些语言依赖于不同于传统语言区域的皮质回路。每种语言都有以下特点：（i）使用一小组符号对某个领域进行离散化，（ii）将它们递归组合成对具有变化的嵌套重复进行编码的心理程序。在各种基本形状或序列感知任务中，所提出的语言中的最小描述长度可以捕捉人类行为和大脑活动，而非人类灵长类动物数据则由更简单的非符号模型捕捉。我们的研究支持人类思维的离散符号模型。
生成闭环人工智能引领基础科学的未来
图 2：当前科学领域中人工智能方法的泡沫图。当涉及到几个较大的领域时，泡沫可能会出现不止一次。有些方法可能有其他名称，或者在某些情况下被重新命名。神经符号模型有时被称为“直觉”，而一些统计驱动的方法被称为“认知计算”。生成式人工智能 (GenAI) 迄今为止对基础科学的贡献很小甚至没有，但潜力巨大。大型语言模型 (LLM) 可以极大地挖掘和促进科学假设空间的探索能力，因为它们能够处理人类语言，而人类科学都是用人类语言编写的。GenAI 和 LLM 是统计性质的方法，但它们在多大程度上可以从统计（例如语言）模式中开发符号能力仍未得到探索。
Quantum tearguard
摘要 - 在本文中，我们介绍了PQ-WireGuard，这是Vireguard VPN协议中握手的后量子变体（NDSS 2017）。与现实世界方案的大多数先前关于量子后安全性的工作不同，该变体不仅考虑了量词后的构成性（或远期保密性），还考虑了量子后的身份验证。为了实现这一目标，我们仅使用键盘封装机制（KEMS）替换了更通用的方法。我们建立了PQ-WireGuard的安全性，在符号模型中和标准模型中适应了Vireguard的安全性证明。然后，我们使用混凝土后安全KEM实例化这种通用结构，我们会仔细选择以实现高安全性和速度。我们证明了PQ-WireGuard的竞争力，与广泛部署的VPN解决方案相比，表现出广泛的台式标记结果。
统一框架用于实施量子符号人工智能模型中的知识不正确
符号AI构建了智力行为的计算模型，重点是世界的象征性表示，然后使用逻辑和搜索来解决问题。这些AI模型由声明知识组成，这些事实描述了现实世界和程序知识，这些事实指定了声明知识的不同元素如何相关。这些符号模型中的推理是通过建立由通过程序知识（节点之间的连接）连接的声明知识（节点）形成的知识图来构建的。这些知识图被视为逻辑规则，或者更普遍地为基于规则的系统（RBS）。使用符号AI模型时出现的问题之一是，现实世界中的知识很少完全准确。在本文中，我们假设可能以两种不同的方式存在不准确性：（1）当它与声明性知识相关联时，即对给定事实的描述有多准确。（2）当它与程序知识相关联时，即与证据有关的不确定性
神经符号人工智能：一类新兴的人工智能工作负载及其特征
摘要 — 神经符号人工智能是人工智能研究的一个新领域，旨在将传统的基于规则的人工智能方法与现代深度学习技术相结合。神经符号模型已经证明了在图像和视频推理等领域超越最先进的深度学习模型的能力。它们还被证明能够以比传统模型少得多的训练数据获得高精度。由于该领域出现的时间较晚，且已发表的结果相对稀少，这些模型的性能特征尚不清楚。在本文中，我们描述和分析了三种近期神经符号模型的性能特征。我们发现，由于复杂的控制流和低操作强度运算（例如标量乘法和张量加法），符号模型的潜在并行性低于传统神经模型。然而，在它们明显可分离的情况下，计算的神经方面主导着符号部分。我们还发现数据移动会造成潜在的瓶颈，就像在许多 ML 工作负载中一样。索引术语 — 神经符号、机器学习、性能、推理
（IJACSA）《国际先进计算机科学与应用杂志》，第 12 卷，第 3 期，2021 年人工智能：机器翻译在法语-印尼语烹饪文本翻译中的准确性
Asriani Abbas 4 哈桑努丁大学 印尼文学研究项目 文化科学系，望加锡，印尼 摘要——机器翻译作为人工智能 (AI) 的使用不断增加，世界上最受欢迎的翻译工具是谷歌翻译 (GT)。该工具不仅用于通过翻译学习和获取外语信息，而且还被用作医院、机场和购物中心互动和交流的媒介。本文旨在探讨机器翻译在翻译法语-印尼语烹饪文本 (食谱) 中的准确性。烹饪文本样本取自互联网。研究结果表明，GT 中机器翻译的符号模型是通过强调源语言和目标语言的概念 (所指) 的等价性，从源语言的能指 (形式) 翻译成目标语言的能指 (形式)。GT 有助于通过单词、短语和句子翻译现有的法语-印尼语烹饪文本概念。烹饪文本机器翻译中遇到的一个问题是文化等值。GT 机器翻译无法准确识别源语言和目标语言的文化背景，因此结果是直译的形式。但是，可以通过从一种语言到另一种语言的单词、短语和句子细化文化等价物的翻译来提高 GT 的准确性。
基于放射线的机器学习绩效，用于神经肿瘤的三类问题：测试水的时间？
简单摘要：先前的放射线研究已经解决了两类肿瘤分类问题（胶质母细胞瘤（GBM）与原发性CNS淋巴瘤（PCNSL）（PCNSL）或GBM相比转移）。但是，这种方法容易出现偏见，并排除其他常见的脑肿瘤类型。我们通过包括三种最常见的脑肿瘤类型（GBM，PCNSL和转移）来解决现实生活中的临床问题。我们使用不同的MRI序列组合研究了两个关键问题：基于肿瘤子区域（坏死，增强，水肿和联合增强的增强和坏死面罩）的性能变化，以及基于选择的分类符号模型/特征选择组合的性能指标。我们的研究提供了证据，表明基于放射素学的三类肿瘤分化是可行的，并且嵌入模型的性能要比具有先验特征选择的模型更好。我们发现，T1对比度增强是具有与多参数MRI相当性能的单个最佳序列，并且模型性能根据肿瘤子区域和模型/特征选择方法的组合而变化。
安全协议验证者proverif及其喇叭子句分辨率算法
安全协议的验证是自1990年代以来非常活跃的研究领域。安全协议无处不在：Internet（特别是用于https：// connections使用的TLS协议），WiFi，移动电话，信用卡，。。。。众所周知，他们的设计容易出错，并且未通过测试检测到错误：仅当对手试图攻击协议时，它们才会出现。因此，正式验证它们很重要。为了使安全协议形式化，需要为其数学模型。通常会考虑一个活跃的对手，可以收听网络上发送的消息，计算自己的媒介，然后将它们发送到网络上，就好像它们来自诚实的参与者一样。为了促进协议的自动验证，大多数协议验证者都考虑了加密的符号模型，也称为“ dolev-yao模型” [18，15]。在此模型中，加密原语（例如加密）被视为理想的黑盒，以功能符号为代表。消息是通过这些原始词的术语建模的；并且对手仅限于应用定义的原语。这也称为完美的加密假设：对手解密消息的唯一途径是将解密函数与正确的密钥一起使用。在这样的模型中，协议验证的主要任务之一是计算对手的知识，即对对手可以获得的一组术语。这仍然是并非繁琐的，因为该集合通常是无限的，但是它比有关斑点和概率的推理要简单得多。两个最广泛使用的符号协议验证者可能是proverif [11]和tamarin [17]。有关协议验证领域的更多详细信息，我们将读者转移到调查[10，6]。在本文中，我们专注于协议验证者proverif，可以从https://proverif.inria.fr下载。我们在下一节中介绍了王朝的概述，并关注其喇叭条款分辨率算法。
人工智能：澄清误解，......
人工智能 (AI) 有着数十年的悠久传统。1956 年，麦卡锡在达特茅斯会议上首次提出了“人工智能”这个名称，从此开启了这一研究领域的热潮，并一直延续至今 (McCarthy et al., 2006)。人工智能最初的重点是符号模型和推理，随后出现了第一波神经网络 (NN) 和专家系统 (ES) 的浪潮 (Rosenblatt, 1957; Newel and Simon, 1976; Crevier, 1993)。当明斯基和帕普特 (Minsky and Papert, 1969) 证明感知器在学习非线性可分函数（例如异或 (XOR)）时存在问题时，该领域遭受了严重挫折。这极大地影响了人工智能在随后几年的发展，尤其是在神经网络领域。然而，在 20 世纪 80 年代，神经网络通过反向传播算法的发明而卷土重来（Rumelhart 等人，1986 年）。后来在 20 世纪 90 年代，关于智能代理的研究引起了广泛的兴趣（Wooldridge 和 Jennings，1995 年），例如探索感知和行为的耦合效应（Wolpert 和 Kawato，1998 年；Emmert-Streib，2003 年）。最后，在 21 世纪初，大数据的出现，导致了神经网络以深度神经网络 (DNN) 的形式再次复兴（Hochreiter 和 Schmidhuber，1997 年；Hinton 等人，2006 年；O'Leary，2013 年；LeCun 等人，2015 年）。这些年来，人工智能在机器人、语音识别、面部识别、医疗保健和金融等许多领域取得了巨大成功（Bahrammirzaee，2010；Brooks，1991；Krizhevsky 等人，2012；Hochreiter 和 Schmidhuber，1997；Thrun，2002；Yu 等人，2018）。重要的是，这些问题并不都属于一个领域，例如计算机科学，而是涉及心理学、神经科学、经济学和医学等多个学科。鉴于人工智能应用的广泛性和所用方法的多样性，毫不奇怪，看似