XiaoMi-AI文件搜索系统
World File Search System紧密
在量子随机Oracle模型中HMAC和NMAC的紧密量子安全性
摘要。HMAC和NMAC是将Merkle-DamgLARD HASH函数转换为消息Au-thentication代码（MACS）或伪随机函数（PRFS）的最基本和重要结构。在Crypto 2017上，Song和Yun在标准假设下表明HMAC和NMAC是量子伪函数（QPRF），即潜在的压缩函数是QPRF。当HMAC和NMAC的输出长度为n位时，他们的证明可确保安全性高达O（2 N/ 5）或O（2 N/ 8）量子查询。但是，可证明的安全性约束与使用O（2 N/ 3）量子查询的简单区分攻击之间存在差距。本文解决了缩小差距的问题。我们表明，将HMAC或NMAC与随机函数区分开的量子查询数的紧密结合是量子随机甲骨文模型中的θ（2 n/ 3），其中压缩函数被建模为量子随机甲壳。基于Zhandry压缩甲骨文技术的替代形式化，给出紧密的量子绑定，我们引入了一种新的证明技术，重点是量子查询记录的对称性。
抗可区分性的紧密界限和纯量子状态的循环集
测量结果可以解释为排除其中之一| ψi⟩状态。例如，如果发生结果，那么我们可以肯定地知道|没有测量ψi。在[1]中引入了抗可区分性的概念，其中被称为peierls不兼容。抗可区分性后来被用作PBR定理证明的关键部分[4]；对量子力学基础具有重要意义的结果，更具体地说，是人们如何解释量子状态的现实的重要性。抗可区分性也称为明确的量子状态排除[5]。量子状态排除的设置（有时称为无错误的量子状态消除）也发现了量子通信的效用[6，7，8]
面罩下胡须覆盖的功效在紧密拟合一次性呼吸器的定量拟合测试中
•在2020年，Covid-19的大流行改变了医疗人员提供治疗和保护自己的方式。紧身的一次性呼吸器（例如N95，FFP2，KN95）在用于医疗保健工人的空中疾病的呼吸保护计划中起着重要作用。这些呼吸器的最佳使用取决于用用户的皮肤形成紧密的密封。在气溶胶生成环境中运营的医疗保健工人必须经历并通过定性或定量拟合测试。•众所周知，这些呼吸器可以在用户脸上获得适当的密封件是障碍。在全球范围内，很大一部分男性偶尔留着胡须。此外，出于宗教，医学和文化原因，由于定性和定量拟合测试的失败，有些人无法佩戴紧身的一次性呼吸器。•一项2020年的研究描述了一种“面罩的胡须盖”替代方案，可让面部头发的个体穿着紧身的呼吸器1。此技术被称为“ singh-thatta”方法，从而将带或表带放在用户脸的下巴和脸颊上，并绑在头顶。然后将紧身呼吸器放在其顶部。•本次审查旨在审查文献，以确定是否可以使用面罩下胡须覆盖物来提高紧密拟合一次性呼吸器的定量拟合测试的功效。
揭示绿色主张：自愿绿色电力市场供需时间更紧密协调的影响
自 1977 年以来，能源与环境政策研究中心 (CEEPR) 一直是麻省理工学院能源与环境政策研究的焦点。CEEPR 提倡严谨客观的研究，以改善政府和私营部门的决策，并通过与全球行业伙伴的密切合作确保其工作的相关性。利用麻省理工学院无与伦比的资源，附属教职员工和研究人员以及国际研究伙伴为与能源供应、能源需求和环境相关的广泛政策问题进行实证研究。麻省理工学院 CEEPR 工作论文系列是这些研究工作的重要传播渠道。CEEPR 发布由麻省理工学院和其他学术机构的研究人员撰写的工作论文，以便及时考虑和回应能源和环境政策研究，但在发布之前不进行选择过程或同行评审。因此，CEEPR 发布工作论文并不构成对工作论文准确性或优点的认可。如果您对某篇工作论文有疑问，请联系作者或其所在机构。
基于3D HAAR半紧密框架的多式图形学习用于学生参与预测
随着多模式教育数据的可用性的增加，越来越需要有效整合和利用多个数据源以提高学生参与预测的准确性。在这项工作中，我们提出了一个结合多模式数据的框架，包括反映学生个性，他们的人口统计信息，他们的学习行为和注意力以及图形学习技巧的视觉，文本和声学方式。具体而言，开发了3D HAAR半密度框架变换，以捕获模式间关系并建模多模式数据中的复杂相互作用。随后，我们基于多模式数据的光谱引入了一个新型的自适应图结构学习模块，该模块通过自适应权衡其影响来考虑低通和高通帧系数的独特贡献。通过解决标准的半监督节点分类问题，我们成功地实现了学生参与预测的目标。对现实世界教育数据集的实验评估证明了拟议方法的有效性，与最新方法相比，实现了卓越的性能。我们的实验研究表明，多模式图学习在准确预测学生参与度及其增强教育结果的潜力中的重要性。
紧密（双重）指数范围用于识别问题：定位主体设置和测试盖
foucaud等。[ICALP 2024]证明，当通过treewidth或顶点覆盖号参数化时，NP中的某些问题可以接受（紧密）双向指数下限。他们通过证明某些图形问题的条件下限，尤其是基于度量的识别问题（强）度量方面，展示了这些第一届的结果。我们继续进行这一研究，并强调了这种类型的问题的有用性，以证明（紧密）下限相对较少的类型。我们研究了图表中经典（基于非中线的）识别问题的细粒算法方面，即定位键合集合和集合系统，即测试盖。在第一个问题中，输入是n顶点上的图形g和整数k，目的是确定是否存在K顶点的子集S子集S子集S，以便S s中的任何两个不同的顶点在s中的任何两个不同的顶点都由s的不同子集主导。在第二个问题中，输入是一组u，u的子集f的集合和整数k，目标是在大多数k测试中选择一个集合s，以便在s的不同测试中包含任何两个不同的项目。对于我们的第一个结果，我们适应了Foucaud等人引入的技术。[ICALP 2024]证明这两个问题相似（紧密）的下限。
tc-ltio：激光雷达和视觉进程降解环境的紧密耦合激光偶尔惯性进程
自动移动机器人在交付，制造，耕作，采矿和太空探索的自动化中起着重要作用。尽管这些机器人在传统上依靠其与GNSS/INS系统的本地化[1]，但在室内，室内，屋顶或茂密植被的区域，在发生信号损失的情况下，会出现挑战。为了克服这一限制，已经提出了同时定位和映射（SLAM）[2]方法。猛击通常将其分为光检测和范围（LIDAR）大满贯和视觉猛击，具体取决于所用的主要传感器。LIDAR SLAM在涉及敏捷运动和复杂结构化环境的场景中具有很高的精度和鲁棒性，这是由于其能力直接使用多个射线直接测量对象和传感器之间的距离[3]。但是，由于LiDar SLAM通过匹配每种结构扫描来执行定位，LIDAR的大满贯可以在无结构的场景中退化，例如隧道，庞大的平面和走廊[4]。另一方面，视觉猛击，利用RGB图像的纹理信息可以在无结构环境中起作用，因为它依赖基于纹理的特征，即使在缺乏明确的结构元素的场景中，也可以提取这些特征[5]。然而，视觉大满贯的规模估计有弱点，并且可以在照明条件下快速变化。为了解决LiDAR和Visual Slam的局限性，已经提出了各种LiDAR视觉大满贯方法，这些方法同时整合了LiDar和Visual Sensor的信息[6-8]。这些方法可以有效地处理结构和，因为这些方法大多数都依赖于松散耦合的方式（系统间融合）[6，7]，这两个系统中的故障都会导致总体猛击失败。为了解决松散耦合方式的弱点，已经提出了紧密耦合的方法（功能间融合）[8]。
神经炎症：正常衰老和与年龄相关的神经退行性疾病之间的紧密线恐怖行为和行人行为
在发布政策中指定了此版本的手稿的重复使用条款和条件。使用受版权保护的作品需要权利持有人（作者或出版商）的同意。可根据创意共享许可证或发布者的定制许可提供的作品可根据其中包含的条款和条件使用。有关更多信息和条款和条件，请参见编辑网站。此项目是从IrisUniversitàPolitecnicadelle Marche（https://iris.univpm.it）下载的。引用时，请参阅已发布的版本。
一种新颖的技术，用于定量确定严重异质性紧密碳酸盐储层的润湿性
在这项研究中，使用二维图像用于使用两步过程（8，14）来表征谷物和孔的形态。在第一步中，捕获图像。在第二步中，使用图像分析软件扫描了此类特征的面积和平均孔接触角，该软件能够准确测量孔隙和谷物空间的几个形态参数，如图1所示。本研究利用面积测量和接触角作为所有分析的标准参数。形态特征是根据面积和接触角度计算的，这将信息准确性的水平分为两个维度。该信息被认为是“大数据”，并分析了以找到可以减少成本和时间的答案。
（32）紧密结合理论认为价电子更紧密地保持原子，但在整个固体中被视价轨道
（32）紧密结合理论认为价电子更紧密地保持原子，但在整个固体中被视价轨道重叠进行了离域。该模型适用于SI和GE等半导体，ALP和NACL等绝缘体和盐，以及𝑑金属及其化合物。实际上，紧密结合理论与分子轨道（MO）理论具有显着相似之处。电子结构的任何计算都需要选择原子轨道（AO）基集，该集通常是最小的基础集，仅包含价原子轨道。对这些AOS中的每一个都分配了价值轨道能，可以从原子光谱或Hartree-fock计算中进行经验确定，如下所示。10这些能量反映了原子电负性的趋势。然后，构建了这些AOS的对称适应性线性组合（SALC）。在MO理论中，salcs利用分子点群的不可约表示。对于紧密结合理论，使用空间群的晶格翻译亚组的不可约表示构建相应的salcs。 使用这些salcs，构建了有限的Hermitian Hamiltonian Matrix（𝐻）。 在MO理论中，𝐻具有等于分子中基本AO的数量。 在紧密结合理论中，为适当选择的波形构建，其尺寸等于一个单位细胞中的基础AOS数量。 求解特征值（电子能）和本征函数（AO系数）的世俗决定因素产率。在MO理论中，salcs利用分子点群的不可约表示。对于紧密结合理论，使用空间群的晶格翻译亚组的不可约表示构建相应的salcs。使用这些salcs，构建了有限的Hermitian Hamiltonian Matrix（𝐻）。在MO理论中，𝐻具有等于分子中基本AO的数量。在紧密结合理论中，为适当选择的波形构建，其尺寸等于一个单位细胞中的基础AOS数量。求解特征值（电子能）和本征函数（AO系数）的世俗决定因素产率。这些数值结果然后用于生成相关信息和图表。对于MO理论，输出包括MO能量图，确定最高占用和最低的无置置的MOS，即HOMO和LUMO，以及使用AO系数进行电子密度分布和键合分析的人群分析。紧密结合计算的结果产生了状态图的电子密度，这是电子能级的准连续分布，可以分解为来自各种轨道或原子成分的态密度，以及相应的FERMI水平，这是Homo的固态类似物的固态类似物。种群分析也可以进行，并提供用于识别重要键合特征的晶体轨道重叠种群（COOP）或汉密尔顿人群（COHP）图。最后，带结构图或能量分散曲线，这些曲线是沿波向量空间中特定方向的波形绘制的能量。