XiaoMi-AI文件搜索系统
World File Search System错误率
支持任务切换，并通过增强学习
人类的关注是一种有限的资源，但在历史上比以往任何时候都强调[2，81]。在活动和任务之间永久重新重新关注和交替的价格与价格相关，包括严重的事故[50]和重大的社会经济成本[2，76]。顺序多任务[70]导致“开关成本”，其特征是停止一个任务所需的时间和精力。此外，外部中断会增加压力，挫败感和错误率，同时阻碍了整体性能[6，47，52]。仍然，多任务不应也不能消除。将来，与机器/算法合作在进行其他任务时将在各种领域（例如移动性，制造或健康）中很常见。因此，有人认为“管理用户的关注已成为关键的chal lenge” [15]。
SEC 2021 财年《数字问责和透明度法案》合规情况审计，报告编号 569
我们发现，SEC 财务管理办公室及时准备并提交了该机构的 21 财年第一季度数据，并且符合《数据法案》。此外，SEC 似乎已正确设计和实施了有效运行的控制措施，并合理保证了从源系统中提取的机构数据和机构的交易信息报告完整、准确且及时。我们根据情况测试了 SEC 提交给财政部《数据法案》经纪人的 21 财年第一季度所有 244 笔详细交易中的 46 个数据元素。下表显示了由此产生的低错误率以及其他测试，这使我们得出结论，SEC 的数据质量符合《IG 指南》的定义。（数据质量可以是“优秀”、“较高”、“中等”或“较低”。）
睡眠– Circadian界面wjg
方法中，我们提出了一个神经网络模型WCE_Detection，以对23种消化道病变图像的准确检测和分类。首先，由于多酸性病变图像表现出各种形状和鳞片，因此在对象检测网络中采用了多探针头策略，以提高模型的多尺度病变检测的鲁棒性。此外，还引入了双向特征金字塔网络（BIFPN），通过添加跳过连接有效地融合了浅的语义特征，从而大大降低了检测错误率。在上述基础上，我们利用SWIN变压器具有其独特的自我发言机制和层次结构，并结合BIFPN特征融合技术来增强多酸性病变图像的特征表示。
antofact：通过本体驱动的强化学习揭示了LLM的奇妙事实 - 骨骼
大型语言模型（LLM）表现出了信息检索的熟练程度，而它们容易产生与现实冲突的不正确反应，这种现象被称为固有幻觉。关键挑战在于经过大量数据训练的LLM中不清楚和不可靠的事实分布。vreva-liment方法将事实检测任务视为一个问题 - 回答范式，在其中询问了LLMS有关FACTUAL知识并检查正确性的问题。但是，研究主要侧重于仅从几个特定领域（例如电影和运动）中得出测试用例，从而限制了对知识缺失的全面观察和对意外幻觉的分析。为了打扮这个问题，我们提出了构造，这是一个自适应框架，用于检测LLM的未知事实，致力于挖掘缺失知识的本体论级骨架。特定说明，我们认为LLM可以在缺失的事实中公开基于本体的相似性，并将五个代表知识图（kgs）作为基准。我们进一步设计了一种复杂的本体驱动的强化学习（ORL）机制，以自动与特定实体和关系产生易错的测试用例。Orl Mechamenism奖励KGS朝着可行的方向导航，以揭示事实错误。此外，经验努力表明，无论是否包括这些知识，主导的LLM都倾向于回答是的，而不是否定。使用32个代表性LLM的5个数据集上的实验结果表明，当前LLMS总体上缺乏事实。为了减轻LLM的过度自信，我们利用了无幻觉检测（HFD）策略来解决基线之间的不公平比较，从而提高了结果的稳健性。值得注意的是，CHATGPT在DBPEDIA上的事实错误率分别为51.6％，Yago的错误率分别为64.7％。另外，ORL机制显示出令人鼓舞的误差预测分数，大多数LLM的F1分数范围从70％到90％。与详尽的测试相比，ORL的平均召回率为80％，同时将评估时间降低35.29％至63.12％。
LILLIPUT：用于近期量子纠错的轻量级低延迟查找表解码器
量子设备的错误率比运行大多数量子应用程序所需的错误率高出几个数量级。为了弥补这一差距，量子纠错 (QEC) 对逻辑量子位进行编码并使用多个物理量子位分发信息。通过定期对逻辑量子位执行综合征提取电路，可以在运行程序时提取有关错误（称为综合征）的信息。解码器使用这些综合征来实时识别和纠正错误，这对于防止错误累积是必要的。不幸的是，软件解码器速度很慢，而硬件解码器速度快但准确性较低。因此，到目前为止，几乎所有的 QEC 研究都依赖于离线解码。为了在近期的 QEC 中实现实时解码，我们提出了 LILLIPUT——一种轻量级低延迟查找表解码器。LILLIPUT 由两部分组成——首先，它将综合征转换为错误检测事件，这些事件被索引到查找表 (LUT) 中，其条目实时提供错误信息。其次，它通过离线运行软件解码器，对 LUT 进行错误分配编程，以应对所有可能的错误事件。LILLIPUT 可以容忍量子硬件中任何操作的错误，包括门和测量，并且可容忍的错误数量随着代码大小而增加。LILLIPUT 在现成的 FPGA 上使用的逻辑不到 7%，因此可以实际采用，因为 FPGA 已经用于设计现有系统中的控制和读出电路。LIL-LIPUT 的延迟只有几纳秒，可以实现实时解码。我们还提出了压缩 LUT (CLUT) 来减少 LILLIPUT 所需的内存。通过利用并非所有错误事件都同样可能的事实，并且只存储最可能的错误事件的数据，CLUT 将所需内存减少了多达 107 倍（从 148 MB 减少到 1.38 MB），而不会降低准确性。
基于虚拟现实 (VR) 的环境丰富功能，适用于患有轻度认知障碍 (MCI) 和轻度痴呆症的老年人
摘要：背景：尽管全球痴呆症患病率呈惊人上升趋势，但可用于改善痴呆症患者认知和心理健康的方式仍然有限。环境丰富是一种实验范例，在临床前研究中已显示出良好的抗抑郁和增强记忆力的效果。然而，由于缺乏有效的实施策略，其临床实用性仍然有限。目的：本研究的主要目的是评估基于虚拟现实 (VR) 的长期环境丰富训练计划对轻度认知障碍 (MCI) 和轻度痴呆老年人的可用性（耐受性和交互性）。次要目标是评估基于 VR 的环境丰富对 MCI 和轻度痴呆老年人认知功能稳定和心理健康改善的影响。方法：共有 7 名参与者（4 名 MCI 患者和 3 名轻度痴呆患者）在 6 个月内每两周接受一次基于 VR 的环境丰富训练。通过虚拟现实疾病问卷 (VRSQ) 和记录输入错误率连续评估 VR 训练参与者的耐受性和互动性。在研究之前和之后通过蒙特利尔认知评估 (MoCA) 评估认知功能。通过华威-爱丁堡心理健康量表 (WEMWBS) 评估心理健康。结果：患者对基于 VR 的环境丰富耐受性良好，VRSQ 分数 (p < 0.01) 和输入错误率 (p < 0.001) 随着时间的推移显着下降。VR 训练还可有效稳定治疗过程中的 MoCA 分数（治疗前后 MoCA 分数无显着差异），并且与第一次和最后一次评估之间 WEMWBS 分数改善的趋势有关（p < 0.1）。护理人员的定性观察进一步证实了患者心理健康的明显改善。结论：这项初步研究表明，VR 是一种可行、可耐受且潜在有效的工具，可为患有 MCI 和轻度痴呆的老年人提供长期支持。
使用多普勒效应进行安全运动验证
未来的交通系统高度依赖其交通工具（如车辆和飞机）提供的空间信息的完整性。在关键应用中（例如防撞），篡改这些数据可能会导致危及生命的情况。因此，安全地验证这些信息对于这些系统的安全至关重要。虽然在位置的安全验证方面有大量的工作，但节点的移动在文献中却很少受到关注。本文提出了一种新方法，可以安全地验证移动发送者在所有维度（即位置、速度和方向）的空间运动。我们的方案使用来自不同位置的多普勒频移测量来验证证明者的运动。我们为该方案的安全性提供了正式证明，并证明了其对空中交通通信的适用性。我们的结果表明，在当前运行的系统中，可以以零错误率可靠地验证飞机的运动。
对Landau -Zener动态的深度学习方法...
传统的方法可以使用高精度的开放量子系统的动力学，通常是资源消耗的。如何提高目标系统的计算精度和效率为我们带来了最艰难的挑战之一。在这项工作中，将无监督和监督的学习算法结合在一起，引入了深入学习方法，以模拟和预测Landau-Zener动力学。从多个Davydov D 2 Ansatz获得的数据较低的四个ANSATZ用于训练，而来自十个较高多重性的试验状态的数据被用作目标数据来评估预测的准确性。经过适当的训练后，我们的方法可以仅使用随机噪声和两个可调模型参数成功预测和模拟Landau-Zener动力学。与来自多个Davydov D 2 Ansatz的高精度动力学数据相比，多种多数为十个，错误率降至0.6％以下。
从量子计算到量子通信
一方使用传统技术，然后通过光纤电缆使用纠缠光子将密钥逐位发送给乙方。乙方测量一些纠缠光子以确定他们是否拥有正确的密钥。如果任何人或任何事物干扰了密钥的生成或传输，那么纠缠光子的相关性将发生变化（例如从正变为负），密钥将失效。通信是安全的，因为发送者和接收者各自随机选择他们的测量基，并且只有当他们选择相同的测量基时，结果才会对密钥有效，他们只使用一次。传输中仍然可能存在错误，但可以计算预期的错误率并估计是否有黑客入侵的企图。发送者和接收者还可以多次重复传输加密密钥，直到他们确定密钥的传输是安全的。8,9