XiaoMi-AI文件搜索系统
World File Search System输入点
WolfCrypt- NIST计算机安全资源中心
该模块不在[140]之外实施缓解攻击缓解，因此[140]第4.11节缓解其他攻击不适用于[140ig] G.3 partial验证，而不是FIPS 140-2的适用区域。[140]第4.5节不适用于[140ig] 1.16，软件模块和[140ig] G.3的物理安全性。该模块符合[140ig] d.8关键协议方法x1.1：虽然[56a]提供了符合符合的方案和针对TLS和KDF使用的API输入点，但该模块并未提供SP800-135REV1或TLS中KDF的完整实现。在模块边界之外的TLS协议和KDF尚未由CAVP和CMVP审查或测试。模块设计对应于模块安全规则。由模块执行的安全规则在本文档的适当上下文中描述。
母校StudiorumUniversitàdiBologna Archivio ...
我们为深度点的稀疏性提出了一种新颖的深度完成方法，在许多实际应用中很可能会有所不同。最新的处理只有在处理特定密度和输入点的分布时，即可获得准确的结果，即在培训期间观察到的一个，在实际用例中缩小了其部署。相反，我们的解决方案对于不均匀的分布和在训练过程中从未有过的非常低的密度非常强大。对标准室内和室外基准测试的实验结果突出了我们框架的鲁棒性，当用密度和分布等于训练的情况下，而在其他情况下则更为准确，可以实现与ART方法相当的准确性。我们的项目页面可提供我们验证的型号和进一步的模型。
正式评估神经网络的鲁棒性及其与基于AI的安全 - 关键领域的关键相关性
摘要：神经网络在关键任务中起着至关重要的作用，其中错误的产出可能会带来严重的后果。传统上，神经网络的验证重点是评估其在大量输入点上的性能，以确保所需的输出。但是，由于输入空间的几乎无限基数，详尽检查所有可能的输入变得不切实际。在广泛的输入样本上表现出强大性能的网络可能无法在新颖的情况下正确概括，并且仍然容易受到对抗性攻击的影响。本文介绍了神经网络鲁棒性的一般管道，并概述了不同的领域，这些领域共同努力，以实现鲁棒性保证。这些领域包括评估针对对抗性攻击的鲁棒性，正式评估鲁棒性并应用防御技术以增强模型时的鲁棒性。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过过滤动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描中学习此表示，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
使用4D隐式神经表示
构建准确的地图是构成可靠的局部设备，计划和导航的关键构建块。我们提出了一种新的方法，可以利用LiDAR扫描来建立动态环境的准确地图。为此，我们建议将4D场景编码为新的时空隐式神经图表示，通过将时间依赖性的截断符号距离函数拟合到每个点。使用我们的代表，我们通过填充动态零件来提取静态图。我们的神经表示基于稀疏特征网格，一种全球共享的解码器和时间依赖性的BAIS函数，我们以无监督的方式共同优化。要从一系列li-dar扫描学习此表示形式，我们设计了一个简单而有效的损耗函数，以分段方式监督地图优化。我们在包含静态图的重建质量和动态点云的分割的各种场景上评估了我们的方法1。实验结果表明，我们的方法是删除输入点云的动态部分的过程，同时重建准确而完整的3D地图，以超出几种最新方法。
polishclr：用于抛光PACBIO CLR基因组组件的NextFlow工作流程
长阅读测序已彻底改变了基因组组装，产生了高度连续的染色体水平重叠群。但是，来自某些第三代长读技术的组件，例如太平洋生物科学（PACBIO）连续长读（CLR）具有很高的错误率。可以通过称为抛光的过程来纠正此类错误。尽管脊椎动物基因组项目（VGP）组装社区最近描述了抛光非模型的新型基因组组件的最佳实践，但需要在常规的高性能计算环境下轻松实施并运行公开可再现的工作流程。在这里，我们描述了polishclr（https：//github.com/isugifnf/polishclr），这是一种可复制的NextFlow工作流程，可实现CLR数据制成的抛光组件的最佳实践。可以从将最佳实践扩展到次优案例的几种输入选项中启动。它还在几个关键过程中提供了重新输入点，包括识别Purge_Dups中的重复单倍型，如果有数据可用，请降低脚手架的休息，以及在多个回合的抛光和评估中，用箭头和freebayes进行评估。polishclr已被集装箱和公开可用于更大的集会社区，作为从现有的，易错的长阅读数据中填写组件的工具。
网格空间中的凸包计算
摘要 当输入点来自结构化配置（例如二维 (2D) 或三维 (3D) 网格）时，许多实际应用都要求计算凸包 (CH)。网格空间中的凸包已应用于地理信息系统、医学数据分析、机器人/自动驾驶汽车的路径规划等。用于 CH 计算的传统和现有的 GPU 加速算法不能直接在以矩阵格式表示的 2D 或 3D 网格上运行，并且不能利用这种光栅化表示中固有的顺序。这项工作引入了新颖的过滤算法，最初为 2D 网格空间开发，随后扩展到 3D 以加速外壳计算。它们进一步扩展为 GPU-CPU 混合算法，并在商用 NVIDIA GPU 上实现和评估。对于 2D 网格，对于 ( n × n ) 网格，贡献像素的数量始终限制为 ≤ 2 n。此外，它们是按字典顺序提取的，从而确保了 CH 的高效 O(n) 计算。同样，在 3D 中，对于 (n×n×n) 体素矩阵，贡献体素的数量始终限制为 ≤ 2n2。此外，2D CH 滤波在 3D 网格的所有切片上并行启用，从而进一步减少了要输入到 3D CH 计算过程的贡献体素的数量。与最先进的方法相比，我们的方法更胜一筹，尤其是对于大型和稀疏的点云。
使用 Cascade Transformer 完成单通道脑电图
脑机接口 (BMI) 旨在建立生物神经系统与外部机器之间的直接通信通路 [1, 2]。不同类型的神经信号已在各种 BMI 应用中得到展示。脑电图 (EEG) 是 BMI 场景中最常见的电生理信号之一，例如注意力评估 [3]、运动想象 [4]、睡眠分期 [5] 和癫痫发作检测 [6]。然而，EEG 记录过程很容易因无线传输中的数据包丢失、受试者的意外移动或电极接触不良而受到干扰，从而导致信号不完整。一些文献中提出了张量完成方法 (TCM)，通过将记录的 EEG 视为多通道张量来执行 EEG 完成 [7–10]。[9] 证明同时张量分解和完成 (STDC) 可以在几种 TCM 中实现更好、更稳健的性能。TCM 家族可以发现多通道信号的低秩表示，可进一步用于信号恢复。然而，TCM 家族依赖于多个脑电图通道，这对于单通道脑电图记录不起作用。序列到序列神经网络是脑电图补全的另一种解决方案。[11] 使用门层自动编码器 (GLAE) 将深度学习引入该领域。GLAE 在普通自动编码器之前添加了一个切换层。切换层在训练期间屏蔽了几个输入点。该模型学会了根据未屏蔽的点来补全屏蔽的点。GLAE 在两个稳态视觉诱发电位 (SSVEP) 脑电图上实现了 0.02 到 0.05 的 RMSE 水平
使用自动化简单 SCA 打破开源完全平衡椭圆曲线设计
椭圆曲线密码 (ECC) 的主要运算是将椭圆曲线 (EC) 点 P 与长二进制标量 k 相乘，记为 kP 。攻击者的目标是获取标量 k（进一步记为密钥 k ）。这通常可以通过分析测量的功率或 kP 执行的电磁痕迹或其他旁道效应来实现。蒙哥马利阶梯算法是实现 kP 计算最常用的算法。文献中报道，该算法可以抵抗简单的旁道分析 (SCA) 攻击，因为它是一种平衡算法，即，标量 k 的每个位值的处理都按照相同的运算序列完成，即一个 EC 点加法和一个 EC 点加倍。但是，蒙哥马利阶梯算法中寄存器的使用取决于密钥，因此容易受到垂直数据位和水平地址位攻击。已知的对策之一是随机化算法主循环每次迭代的 EC 点操作（加法和加倍）的顺序。只有当计算 EC 点加法的域操作顺序与计算 EC 点加倍的域操作顺序相同时，随机化才有意义，例如，如果应用了统一的 EC 点加法公式。[4] 报告了一种完全平衡的 ASIC 协处理器，该协处理器在 Weierstrass 椭圆曲线上实现了完整的加法公式。该设计是开源的，VHDL 代码可在 GitHub 存储库 [3] 中找到。我们为 IHP 250 nm 单元库合成了这个开源设计，并使用 EC secp256k1 的基点作为与原始测试台相对应的输入点 P 来模拟 kP 执行的功率轨迹。我们尝试了不同长度的标量 k。我们模拟了约 20 位以及约 200 位密钥的功率轨迹，并执行了
inc -5-塑料污染条约和生物多样性/健康
作为国际自然和保护的声音，与各州，政府间组织，民间社会和利益相关者的切割成员强调，在未来的国际法律结合工具（ILBI）上，将塑料污染，生物多样性损失和人类健康之间的基本联系的需求包括在内。遵循联合国基地决议5/14的内容和措辞，汇编文本，并考虑Kunming-Montreal生物多样性的全球框架（KM-GBF），尤其是其目标7和18的目标，以及生物多样性COP 16生物多样性惯例的结果（CBD），例如。关于“生物多样性和健康”或“加强土著人民和地方社区的作用”，IUCN及其世界环境法委员会（WCEL）的角色（WCEL）很关注Inc主席无论文3中的生物多样性。inc5谈判必须让我们提供文本，其中未来的ILBI及其实施手段结构化，以考虑ILBI对现有环境合理的政策和框架的影响，例如与生物多样性，物种保护，淡水资源以及保护区以及对人类健康的影响。这很重要，因此，实施条约的所有阶段都可以对当前和未来的行星和健康发展做出反应。我们看到了输入点1的三个选项，以基于椅子的非纸和编译文档在ILBI中集成适当的语言：选项1。也必须为对话创建一个空间，就Inc5的结果以及未来ILBI的条款包括并整合现有的多边环境协议（MEAS），其义务和相关目标，CBD，尤其是KM-GBF，尤其是KM-GBF，以及KM-GBF，Ramsar在Wetlands上以及许多相关方面以及许多相关方面的交易。至少在汇编文本中部分维护，在ILBI中的特定语言中，通过使用“生物多样性”和/或“生态系统”一词，在许多相关的规定中使用“生物多样性”和/或“生态系统”一词，特别是序言和原则。