XiaoMi-AI文件搜索系统
World File Search System通俗
DoD 4120.15-L，2004 年 5 月 12 日，纳入变更 1，2018 年 8 月 31 日
行政指导 C1.1。一般 C1.1.1。根据国防部指令 4120.15（参考 (b)），此清单应提供一份国防部范围的单一源文件，其中包含已批准的任务设计系列 (MDS) 标识符和所有航空航天飞行器的常用名称。此清单还应包括所有进入国防部库存的车辆。美国海岸警卫队运营的带有标准国防部标识符的飞机也包括在内。此清单包括截至 2003 年 7 月 31 日已批准的 MDS 标识符。（有关自上次发布以来批准的标识符，请参阅附录 4。）C1.1.2。当所有具有特定 MDS 或通俗名称的航空航天飞行器从服务库存中退役时，军事部门应遵循 AFI 16-401/AR 70- 50/NAVAIRINST 8800.3A（参考 (c)）中的程序将它们从此列表移至退役列表。（请参阅附录 5，了解自上次发布以来从列表中删除的指示符。）C1.2。主要责任办公室 (OPR) 总部 (HQ) 美国空军 (USAF) OPR 履行参考 (b) 指示的职责的办公室是： HQ USAF/XPPE 1070 空军五角大楼 华盛顿特区 20330-1070 C1.3。军事部门查询和变更的单一联系点 (POC) 每个军事部门应建立一个查询的单一 POC（见下文第 C1.3.1.至 C1.3.3. 段）。空军单一 POC 是 HQ 空军物资司令部、后勤信息服务 (HQ AFMC/LGIS)。陆军和海军单一 POC 应为其各自军事部门的官方请求者。查询应转发给适当的军事部门机构。变更请求应转发给 HQ AFMC/LGIS，后者应将请求转发给 HQ USAF/XPPE。POC 如下：
SOK：了解ZK-SNARKS：研究与实践之间的差距
零知识简洁的知识范围（ZK-SNARK）是证明计算正确性的强大技术，并引起了研究人员的重大兴趣。在学术界和研究中提出了许多混凝土方案和实施。不幸的是，ZK-Snark的固有复杂性在研究人员，开发人员和用户之间造成了差距，因为它们对此技术的关注程度有所不同。例如，搜索者致力于构建具有更强安全性和新属性的新有效的证明系统。同时，开发人员和用户更多地关心Increntation的工具链，可用性和兼容性。这个差距阻碍了ZK-SNARK FIELD的发展。在这项工作中，我们提供了从理论到实践的ZK-SNARK的全面研究，并指出了差距和局限性。我们首先提出主配方，该食谱将程序转换为ZK-SNARK的主要步骤。然后，我们根据其关键技术对现有的ZK-SNARK进行分类。我们的分类解决了现有ZK-SNARK方案之间实际有价值的属性的主要区别。我们自2013年以来调查了40多个ZK-SNARK，并提供了一个参考表列出了其类别和适当的信息。按照主配方中的步骤，我们调查11通用通俗用过的库。我们详细介绍了这些库的可用性，兼容性，效率和局限性。我们确定证明系统是Cryptogra-Phy学术界的主要重点。由于安装和执行这些ZK-SNARK系统很具有挑战性，因此我们还提供了一个完全虚拟的环境，可以在其中为每个编译器运行编译器。相比之下，约束系统在行业中呈现了瓶颈。为了弥合这一差距，我们提供了建议和倡导开源社区的倡导者，以增强文档，标准化和兼容性。
生成式人工智能作为环境健康研究转化的工具
生成式人工智能 (AI) 由聊天生成式预训练转换器 (ChatGPT) 等服务普及，最近成为发表健康研究的热门话题 (Liebrenz 等人，2023 年；van Dis 等人，2023 年)。该软件可以根据用户提示立即创建从文本到图像到文本到音频和视频的复杂内容 (Gozalo-Brizuela & Garrido-Merchan，2023 年)。OpenAI (2023 年；美国加利福尼亚州旧金山) 于 2022 年 11 月发布的 ChatGPT 是一个大型语言模型 (LLM)，经过大量数据训练，可以对查询生成类似人类的响应。一个潜在有价值的应用是总结研究以支持面向非专业读者的研究翻译。环境健康科学领域体现了这一机会，因为环境污染的专业语言通常依赖于化学、毒理学、流行病学和物理科学知识。很多时候，由于这些障碍，关心此事的公众被排除在主要文献之外。这些可能包括环境正义社区、主流媒体和社区科学团体。针对非专业受众的通俗语言摘要 (PLS) 应提高可访问性、理解力、知识、研究交流和赋权能力 (Stoll 等人，2022 年)。作为补充，研究翻译活动应包括关键信息的识别和各种受众都易于理解的信息的开发 (Grimshaw 等人，2012 年)。考虑到撰写同行评审研究的挑战数量以及额外创建 PLS 的后续成本和工作量，生成式人工智能可能为扩大环境健康风险研究的传播和为更广泛群体提供访问权限提供一种有价值的新工具。
引用：Katayama N、Nakagawa A、Kurata C 等。认知行为疗法与谈话控制对患有
摘要 简介 虽然重度抑郁症会给受影响的个人和社会带来巨大的痛苦和损害，但认知行为疗法 (CBT) 在治疗该疾病方面的有效性已经得到证实。然而，CBT 疗效背后的治疗机制仍然未知。本研究旨在描述一项随机对照试验的方案，该试验将测量 CBT 在非精神病性重度抑郁症患者中引起的临床和神经变化。 方法与分析 本研究是一项为期 16 周的评估者盲法、随机、平行组试验，并进行 12 个月的随访，作为门诊常规抑郁症治疗的一部分。20-69 岁的重度抑郁症患者将被随机分配接受 CBT 治疗或在常规治疗之外接受谈话控制治疗，为期 16 周。主要结果是 16 周时与未来导向思维相关的大脑区域的功能变化；次要结果包括大脑功能连接的变化、严重程度和客观和主观临床抑郁症症状评分的变化、反应者和缓解者的比例以及生活质量。将使用意向治疗分析。伦理和传播 所有协议和知情同意书均符合《临床研究伦理指南》（日本厚生劳动省）。庆应义塾大学医学院的伦理审查委员会已批准了研究方案（第 3 版，2017 年 9 月 11 日）。我们将通过国内和国际会议演讲以及向公众（包括心理健康消费者和国际同行评审精神病学和脑成像期刊上的出版物）的通俗摘要向科学界和普通受众传播研究成果。试验注册号 UMIN 临床试验注册中心 (UMIN000018155)；预结果。
新药评估：Rezdiffra（resmetirom），口服片剂
新药评估：Rezdiffra (resmetirom)，口服片剂 审查日期：2024 年 8 月 文献检索结束日期：初始 05/08/2024，重复 6/27/24 通用名称：Resmetirom 品牌名称（制造商）：Rezdiffra （Madrigal Pharmaceuticals） 收到的档案：是 通俗语言摘要： 非酒精性脂肪性肝炎 (NASH) 是一种由脂肪堆积引起的肝病，它会损害没有其他已知肝病原因（例如酒精或丙型肝炎）的人的肝脏细胞。随着时间的推移，这会导致肝脏留下疤痕或不可逆转的损伤，甚至死亡。 非酒精性脂肪性肝炎在患有肥胖、2 型糖尿病、高胆固醇和高血压等其他健康状况的人群中更为常见。这些其他疾病有时被称为代谢综合征。 针对所有这些病症的药物和生活方式疗法是治疗非酒精性脂肪性肝炎的重要组成部分。 Resmetirom 是美国食品药品管理局 (FDA) 批准的首个用于治疗非酒精性脂肪性肝炎的药物。对于没有不可逆的严重肝脏瘢痕（如肝硬化）的非酒精性脂肪性肝炎患者，服用 resmetirom 至少一年后，部分患者的瘢痕（如纤维化）和其他肝病症状有所减轻。 生产 resmetirom 的公司正在研究这种药物，看它是否能减轻非酒精性脂肪性肝炎的其他严重影响，如死亡和肝功能衰竭。 腹泻和恶心是 resmetirom 最常见的副作用。 药物使用研究和管理小组建议提供者解释为什么有人需要 resmetirom，然后医疗补助才会支付费用。这个过程称为事先授权。研究问题：1. 目前诊断和治疗非酒精性脂肪性肝炎 (NASH) 的护理标准是什么？2. 对于患有中度至晚期肝纤维化的非酒精性脂肪性肝炎 (NASH) 患者，Resmetirom 的益处和危害是什么？3. 是否有特定的亚群对 Resmetirom 的耐受性更好或更有效？结论： NASH 是非酒精性脂肪性肝病 (NAFLD) 的一个子类别。肝活检是确诊所必需的，但可以使用非侵入性生化测试和成像技术（如纤维化-4 指数 (FIB-4)、弹性成像和增强肝纤维化 (ELF) 测试）进行连续筛查来评估纤维化分期和持续管理。1,2
RGGI 战略资金计划常见问题解答 - NJ.gov
什么是区域温室气体倡议 (RGGI) 战略资助计划？RGGI 战略资助计划确定了新泽西州将如何投资其在 RGGI 拍卖收益中的份额，预计 2022 年将高达 1.4 亿美元。该计划由新泽西州环境保护部 (NJDEP)、新泽西州公共事业委员会 (NJBPU) 和新泽西州经济发展局 (NJEDA) 至少每三年联合制定一次，并描述了每个州机构将赞助的举措，并为每个举措的六个关键目标的重要性进行了排名。该计划确保新泽西州 RGGI 拍卖收益的战略性、协调性使用，因此资助的计划和项目有助于实现新泽西州的清洁能源、环境正义和经济发展目标。该计划还将帮助计划和项目相互补充，利用从其他州机构以及非州资助来源获得资金的企业，并避免无意的重复。 2020 年 4 月 16 日发布了新泽西州的第一份计划，该计划管理了 2020 年至 2022 年拍卖收益的投资。未来的计划将总结前一个战略资助期的项目和计划支出。RGGI 拍卖收益的投资将如何帮助实现新泽西州的环境正义目标？环境正义是“倡议 1：促进清洁、公平的交通”的关键目标。根据该倡议，用于计划和项目的所有资金必须惠及受环境恶化和气候变化影响最大的社区。这三个机构都致力于赞助这项倡议，并在三年内将 RGGI 总收益的 75% 用于这些工作。什么是倡议？NJDEP 的全球变暖解决方案基金规则将倡议定义为“一项预计会推进 NJAC 7:27D-2.2 中列出的一个或多个目标的资助策略，这些目标已被各机构确定为至关重要。”通俗地说，这些举措是广泛的重点领域，旨在战略性地解决明确的问题或需求，并推进《全球变暖解决方案基金规则》中定义的六个目标中的一个或多个。州政府机构必须根据以下六个目标对战略资金计划举措进行排序，这些目标来自新泽西州的《全球变暖解决方案基金法案》和墨菲州长的 7 号行政命令：
量子比特承诺的一般性质
在经典密码学中，比特承诺是一种重要的密码原语。比特承诺方案定义了发送者和接收者之间的两阶段交互协议，提供两种安全保障：隐藏和绑定。通俗地说，隐藏属性表示在提交阶段以及之后，提交的位对接收者是隐藏的，直到打开它为止；而绑定属性表示发送者在稍后的显示阶段只能将承诺打开为最多一个位值（仅限 0 或 1）。不幸的是，无条件（或信息理论上）安全的比特承诺是不可能的。作为一种折衷方案，我们转而考虑基于复杂度的比特承诺，又称计算比特承诺。单向函数假设是一个基本的计算难度假设，没有任何数学结构；它是基于复杂度的密码学中的最小假设 [IL89]。我们可以从一个单向函数构造两种类型的比特承诺：计算隐藏（统计约束）比特承诺[Nao91]和（统计隐藏）计算约束比特承诺[NOVY98，HNO+09]。然而，这些构造的一个主要缺点是它们是交互式的：在提交阶段需要交换至少两个甚至多项式数量的消息，这似乎是固有的[MP12，HHRS07]。随着量子技术的发展，现有的密码系统在不久的将来可能面临量子攻击。关于比特承诺，因此我们必须研究抵御量子攻击的比特承诺，又称量子比特承诺。一般的量子比特承诺方案本身可以是经典和量子计算和通信的混合。当构造纯经典时，我们通常称之为“抵御量子攻击的（经典）比特承诺方案”或“后量子比特承诺方案”1。量子比特承诺的概念早在三十年前就被提出，旨在利用量子力学实现比特承诺[BB84、BC90]。遗憾的是，无条件安全的量子比特承诺也是不可能的[May97、LC98]。基于量子安全单向置换或函数等复杂性假设，我们还可以构造两种量子比特承诺[AC02、YWLQ15、DMS00、KO09、KO11、CLS01]。关于这些构造的一个有趣观察是，几乎所有构造（[CLS01] 中的构造除外）都是非交互式的（在提交和显示阶段都是如此）。这比经典的比特承诺有很大优势。这促使我们提出以下问题：
有效的安全保证策略...
通过减轻人类驾驶员安全操作车辆的责任，自动驾驶系统（ADSS）（通俗地称为自动驾驶汽车）可以释放时间，并且还可以减少道路事故的数量。矛盾的是，即使安全是ADS的主要期望之一，它也是主要挑战之一，可以说，我们尚未看到这种系统的广泛部署的关键原因之一。与前几代汽车系统相反，共同的开发和安全保证实践不再是适应广告固有的系统复杂性和操作不确定性的增加。的确，在部署之前表现出安全性的具体模型和手段仍然难以捉摸。为此，本论文着重于对ADS的安全保证的有效策略，并从三个角度探讨了这一点。首先，已经对技术状态进行了全面审查，以识别和构建可用的方法，以提供（预测）广告安全性的证据，并确定需要进一步研究的差距和方向。其次，已经探索了确保验证和验证（V＆V）的完整性以及广告的安全要求的任务。对操作设计域（ODD）的适当定义，形式化和管理提供了一种方法，以确保广告的规范，测试和操作之间的对齐方式 - 这是缩小V＆V完整性差距的一种方法。QRN通过考虑损失事件的频率来促进这种详尽的功能（例如，此外，为了满足安全要求的呼气性，本文提出了使用定量风险规范（QRN）来引起定量的车辆级要求。事故），而不是需要对与广告有关的所有可能危害进行枚举。第三，本文扩展了预防安全性（PC）的概念，提出了一种方法，以连接QRN的定量安全要求和广告的运行时确定要求。这是通过增强广告的情况意识（SAW）来理解其自身避免不同损失事件的能力来启用的。使用此增强的SAW模型，并随后考虑损失事件概率的不确定性，即使在可用数据有限的情况下，也可以评估QRN。因此，提出的方法可以确保广告确实只采取已知的决定来填写QRN。共同介绍了本文中提出的工作铺平了一种方法，以弥合广告的定量安全要求和运行时决策，以及概述了ADSS的有效安全保证的可能策略 - 借助Appended Paper的贡献。仍然有几个开放的问题可以理解这种方法的含义，但是本文展示的工作为未来的工作奠定了坚实的基础。
使用 Vgg16 和 Densenet Cnn 检测视网膜 Oct 图像中的脉络膜新生血管 (Cnv)
4,5 学生，SRM 科学技术研究所软件工程系摘要 - 在本研究中，我们打算使用深度学习架构来诊断视网膜光学相干断层扫描 (OCT) 图像中的脉络膜新生血管。光学相干断层扫描 (OCT) 图像可用于区分健康眼睛和患有 CNV 疾病的眼睛。研究中使用了深度学习的 DenseNet 和 Vgg16 架构，并更改了两种架构的超参数以正确诊断疾病。检测到疾病后，使用用于处理图像的 Python OpenCV 库将患病的 OCT 图像与背景分割开来以进行感兴趣区域检测。架构实施的结果表明，Vgg16 在检测图像方面比密集网络架构表现出更好的效果，准确率为 97.53%，比密集网络高出约一个百分点。关键词——深度学习、CNN、Vgg16 模型、密集网络模型、视网膜 OCT I 引言光学相干断层扫描是诊断视网膜疾病最广泛使用的诊断成像方法之一。OCT 机器的输出提供 OCT 图像，并提供足够的可视化效果来预测 OCT 胶片上印记的视网膜血管是否存在一些定性和定量变化。视网膜层的增加或减少及其测量值是疾病检测临床试验中的主要评估指标。定期进行视网膜 OCT 扫描有助于早期发现任何与视网膜相关的疾病，并可在年老时避免 [9]。如果在身体中检测到视网膜疾病，许多大脑、眼睛和心血管系统疾病都已出现。通过 OCT 扫描还可以检测到各种其他疾病，患有糖尿病的人患糖尿病视网膜病变的几率很高，而且任何类型的黄斑水肿也可以在视网膜 OCT 图像中看到。本研究主要关注脉络膜新生血管 (CNV)，它是发达国家失明的主要原因之一。通俗地说，脉络膜新生血管可以定义为视网膜脉络膜层中额外血管的生成。同一脉络膜层的最内层称为 Brunch 膜 (BM)，任何类型的膜损伤都可能导致视网膜脉络膜新生血管，并导致未来失明。近年来，深度学习在医学图像中对患病和未患病图像进行分类的应用有所增加。事实证明，CNN 等深度学习技术在物体检测、图像识别和分割方面也大有用处。因此，这证明了使用深度学习分析 OCT 图像以获取患病图像的重要性。使用深度学习 Vgg16 和 DenseNet 的最新架构对患病图像的预测进行比较。然后分割患病图像以突出显示视网膜层中具有脉络膜新生血管的增强血管和空洞形成 [6]。 * 通讯作者：MS Abirami，abirami.srm@gmail.com
通过学习实现高效的量子公钥加密......
量子信息在密码学中的应用可以追溯到 Wiesner [ 39 ] 的工作，他提出了第一个量子密码工具，即共轭编码。值得注意的是，共轭编码的思想仍然以不同的形式应用于许多现代量子密码协议中。然而，自从 Bennett 和 Brassard [ 6, 5 ] 提出量子密钥分发 (QKD) 之后，量子密码学获得了很大的吸引力。后来 Lo 和 Chau [ 23 ] 和 Mayers [ 26 ] 证明 QKD 在信息理论上是安全的。Shor 和 Preskill [ 36 ] 给出了一种基于纠错码的更容易理解的安全性证明。尽管从理论上讲 QKD 提供了完美的安全性，但它的实际实现并不 (并且可能不会) 完美。这意味着 QKD 实现与其他密码实现一样，容易受到旁信道攻击，例如，参见 [ 24 ]。即使我们假设 QKD 在实践中提供了完美的安全性，还有许多其他重要的加密任务，如比特承诺、多方计算和无意识传输，都无法通过密钥分发来解决。事实上，Mayers [ 25 ] 以及 Lo 和 Chau [ 22 ] 证明了无条件安全的量子比特承诺是不可能的。Colbeck [ 11 ] 后来也证明了利用量子通信进行信息理论上安全的双方计算是不可能的。如果假设对手的计算能力有限或存储空间有限，则可以保证此类方案的安全。因此，计算假设在量子密码学中仍然是必要的，而且非常重要。特别是，需要进一步研究量子公钥密码学中计算假设的必要性，而量子公钥密码学是量子密码学中越来越重要的领域。量子公钥密码学的原理与经典公钥密码学的原理非常相似。在量子公钥方案中，每个用户 A 都有一对密钥（sk A ，pk A ），其中私钥sk A 只有 A 知道，公钥pk A 由 A 发布，所有人都可以访问。密钥对由高效的密钥生成算法生成。与经典公钥方案一样，量子公钥方案也是基于陷门单向函数建模的。通俗地说，单向函数是一种易于计算但难以逆的函数。陷门单向函数是可以将某些信息k（称为陷门）与单向函数f 关联起来的函数，任何知道k 的人都可以轻松逆向f [7]。在量子设置中，f 是从私钥空间到公钥空间的映射| α ⟩7→| f α ⟩。私钥| α ⟩可以是经典状态或量子态，公钥| f α ⟩ 是量子态。量子公钥密码学的三个主要构造是公钥加密、数字签名和公钥货币。在本文中，我们重点讨论量子公钥加密。有关量子数字签名，请参阅 [ 13 ]，有关量子货币，请参阅 [ 1 , 2 , 12 ]。在公钥加密方案中，用户 B 可以使用 A 的公钥 pk A 和公共加密算法将 m 编码为密文 c，从而向 A 发送秘密消息 m。收到密文 c 后，用户 A 使用其私钥 sk A 和公共解密算法解密 c。