XiaoMi-AI文件搜索系统
World File Search System随机噪声
![arXiv:2210.03205v5 [cs.CR] 2023 年 2 月 11 日](/simg/g:\will\search\icon\source\f\f972e15de00e632af4017f0d8d74602b8063214b.webp)
arXiv:2210.03205v5 [cs.CR] 2023 年 2 月 11 日
摘要。机器学习 (ML) 在解决计算机视觉、语音识别、对象检测等各种问题方面取得了巨大成功。这一成功的主要原因是可用于训练深度神经网络 (DNN) 的大量数据集。但是，如果数据集包含敏感信息（例如医疗或财务记录），则无法公开发布。在这种情况下，数据隐私成为一个主要问题。加密方法为这个问题提供了一种可能的解决方案，但它们在 ML 应用程序上的部署并不简单，因为它们会严重影响分类准确性并导致大量计算开销。或者，可以使用混淆技术，但在视觉隐私和准确性之间保持良好的平衡具有挑战性。在这项工作中，我们提出了一种从原始私有数据集生成安全合成数据集的方法。在我们的方法中，给定一个在原始数据集上预先训练的具有批量归一化 (BN) 层的网络，我们首先记录逐层 BN 统计数据。接下来，使用 BN 统计数据和预训练模型，我们通过优化随机噪声来生成合成数据集，以使合成数据与原始模型的分层统计分布相匹配。我们在图像分类数据集 (CIFAR10) 上评估了我们的方法，并表明我们的合成数据可用于从头开始训练网络，从而产生合理的分类性能。1
利用量子信息技术通过t3引力相检验时空的等效原理和离散性
我们提出了一项基于当今量子信息技术的新思想实验，通过 Bose-Marletto-Vedral (BMV) 效应 [ 1 – 4 ] 测量量子引力效应，揭示引力 t 3 相位项、其与低能量子引力现象的预期关系，并检验广义相对论的等效原理。这里提出的技术有望通过分析与量子系统测量过程的理想输出相关的随机噪声来揭示引力场涨落。为了提高灵敏度，我们建议将引力场涨落随时间对一系列独立测量输出的影响累积起来，这些测量作用于粒子纠缠态，就像在构建量子加密密钥时一样，并从相关的时间序列中提取预期引力场涨落的影响。事实上，通过共享最大纠缠态的粒子构建的理想量子密钥由一串不相关符号的随机序列表示，该序列在数学上可以用完美的白噪声来描述，这是一个均值为零且在不同时间取值之间没有相关性的随机过程。引力场扰动（包括量子引力涨落和引力波）会引入额外的相位项，使用于构建量子密钥的纠缠对退相干，从而使白噪声着色 [ 5 , 6 ]。我们发现，这种由大质量中观粒子构建的装置可以揭示 t 3 引力相位项，从而揭示 BMV 效应。
非侵入性脑刺激能调节人脑的峰值阿尔法频率吗？系统评价和荟萃分析
缩写列表：AG，角回；CES，经颅电刺激；CI，置信区间；COBIDAS，数据分析和共享最佳实践委员会；CoG，重心；DLPFC，背外侧前额皮质；EEG，脑电图；FEF，额叶眼区；FFT，快速傅里叶变换；IAF，个体阿尔法频率；ICA，独立成分分析；IPS，顶内沟；ITPC，经颅间相位相干性；LTD，长期抑郁；LTP，长期增强；mA，毫安；MD，平均差异；MEEG，脑磁图和脑电图；MEG，脑磁图；MRI，磁共振成像；MT，运动阈值；NIBS，非侵入性脑刺激；OSF，开放科学框架；otDCS，振荡经颅直流电刺激； PAF，峰值 alpha 频率；PICO，参与者，干预，控制，结果；PRISMA，系统评价和荟萃分析的首选报告项目；PROSPERO，国际系统评价前瞻性注册库；RINCE，减阻非侵入性皮层电刺激；rTMS，重复经颅磁刺激；SE，标准误差；SM，感觉运动；STDP，尖峰时间依赖性可塑性；SWiM，无需荟萃分析的综合；tACS，经颅交流刺激；TBS，Theta 爆发刺激；tDCS，经颅直流刺激；tES，经颅电刺激；TMS，经颅磁刺激；tRNS，经颅随机噪声刺激。
人类神经元激发/抑制平衡解释并预测神经刺激诱导的学习益处
先前的研究强调了激发/抑制（E/I）比率在典型和非典型发展，心理健康，认知和学习中的作用。其他研究强调了高频经颅随机噪声刺激（TRN）的好处，即神经刺激的一种兴奋形式。我们将E/I作为潜在机制进行了研究，并研究了TRN对学习的影响是否取决于E/I，由Aperiodic指数衡量为其假定标记。除了使用TRN操纵E/I外，我们还操纵了已经显示出影响E/I的学习水平（学习/过度学习）。参与者（n = 102）在数学学习任务中，在背外侧前额叶皮层（DLPFC）上接受了假刺激或20分钟的TRN。我们表明，正如Aperiodic指数所反映的TRN增加了E/I，并且较低的E/I预测TRN从TRN中专门用于学习任务。与以前的磁共振光谱（MRS）的E/I研究相反，我们发现学习水平对E/I没有影响。使用不同数据集的进一步分析表明，E/I（EEG与MRS）的两种度量至少可以反映出不同的生物学机制。我们的结果很高 - 将E/I作为神经刺激功效和学习的标志物的作用。这种机械理解为增强学习和个性化干预提供了更好的机会。
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，为学习稀疏平等（LSPN）问题和稀疏LPN问题提供针对低噪声的学习算法。 Different from previous approaches for LSPN and sparse LPN ( Grigorescu et al. , 2011 ; Valiant , 2015 ; Karppa et al. , 2018 ; Raghavendra et al. , 2017 ; Guruswami et al. , 2022 ), this framework has a simple structure without fast matrix multiplication or tensor methods such that its algorithms are easy to implement and run in polynomial space.令n为尺寸，k表示稀疏性，而\ xce \ xb7为噪声率，使每个标签都会被概率\ xce \ xb7翻转。作为计算学习理论中的基本问题（Feldman等，2009），学习稀疏的噪声均等（LSPN）假设隐藏的平等是K -Sparse而不是潜在的密集矢量。虽然简单的枚举算法采用n k = o（n/ k）k时间，但以前已知的结果静止图至少需要n k/ 2 = \ xe2 \ x84 \ xa6（n/ k）K/ 2 k/ 2 k/ 2 k/ 2对于任何噪声率\ xce \ xb7（Grigorescu et al。我们的框架提供了LSPN算法在时间O中运行（\ XCE \ XB7 \ XC2 \ XB7 N/K）K，对于任何噪声速率\ XCE \ XB7，每当\ XCE \ XB7中，每当LSPN的最新时间都会提高\ xce \ xb7 \ xb7 \ xb7 \ xe2 \ xe2 \ x88 \ x88 \ x88 \ x88 \ x88（p'
b'we考虑了与随机噪声（LPN）问题的经典学习奇偶的稀疏变体。我们的主要贡献是一种新的算法框架，它为学习稀疏平等（LSPN）问题和稀疏LPN问题提供了针对低噪声的学习算法。与以前的LSPN和稀疏LPN的方法不同（Grigorescu等人，2011年；英勇，2015年； Karppa等。，2018年； Raghavendra等。，2017年； Guruswami等。，2022），该框架具有一个简单的结构，而无需快速矩阵乘法或张量方法，因此其算法易于实现并在多项式空间中运行。令n为尺寸，k表示稀疏性，\ xce \ xb7是噪声率，使每个标签都会被概率\ xce \ xb7串起。是计算学习理论中的基本问题（Feldman等人。，2009年），学习与噪声的稀疏平等（LSPN）假定隐藏的平等是K -Sparse，而不是潜在的密集载体。虽然简单的枚举算法采用n k = o（n/k）k时间，但以前已知的结果静止图至少需要n k/2 = \ xe2 \ x84 \ xa6（n/k）k/2 k/2对于任何噪声率\ xce \ xb7（Grigorescu等人（Grigorescu等）），2011年；英勇，2015年； Karppa等。，2018年）。我们的框架提供了LSPN算法在时间O（\ XCE \ XB7 \ XC2 \ XC2 \ XB7 N/K）K中，对于任何噪声率\ XCE \ XB7
摄影测量 DSM 去噪
a 3D 光学计量（3DOM）部门，布鲁诺凯斯勒基金会（FBK），Via Sommarive 18，38123，特伦托，意大利 franex@fbk.eu，http://3dom.fbk.eu b 特温特大学，地理信息科学与地球观测学院（ITC），地球观测科学系，P.O.Box 217，7500AE Enschede，荷兰 m.gerke@utwente.nl 第三委员会 - WG 1 关键词：图像匹配、DSM、马尔可夫随机场、图切割、平滑 摘要：如今，图像匹配技术可以提供非常密集的点云，它们通常被认为是 LiDAR 点云的有效替代方案。然而，与 LiDAR 数据相比，摄影测量点云通常具有更高水平的随机噪声和存在较大异常值的特点。这些问题限制了摄影测量数据在许多应用中的实际使用，但仍需找到增强生成点云的有效方法。在本文中，我们专注于从密集图像匹配点云计算出的数字表面模型 (DSM) 的恢复。摄影测量 DSM，即表面的 2.5D 表示，仍然是从点云派生的主要产品之一。提出了四种专门用于 DSM 去噪的不同算法：标准中值滤波方法、双边滤波、变分方法（TGV：总广义变分），以及一种新开发的算法，该算法嵌入马尔可夫随机场 (MRF) 框架并通过图计算进行优化
基于扩散模型的协作过滤
最近的一项研究表明，扩散模型非常适合建模推荐系统中用户 - 项目相互作用的生成过程。但是，基于扩散模型的建议系统不会明确利用包含关键协作信号的高阶连接性，以获得准确的建议。解决这一差距，我们提出了一种新的基于扩散模型的协作过滤（CF）方法CF-DIFF，该方法能够与多跳邻居一起充分利用协作信号。具体而言，向前扩散过程为用户 - 项目交互增加了随机噪声，而反向降级过程可容纳我们自己的学习模型，称为跨注意指导的多跳自动化自动编码器（CAM-AE），以逐渐恢复原始的用户 - 项目相互作用。cam-ae由两个核心模块组成：1）注意力辅助的AE模块，负责精确学习用户 - 项目交互的潜在表示，同时保留模型在可管理的级别上的复杂性，2）多跳交叉意见模块，明智地利用高级连接信息来捕获高级连接信息，以捕获增强的协作。通过三个现实世界数据集的全面实验，我们证明了cf-diff是（a）优越：优于基准建议方法，获得了高达7.29％的优势，与最佳竞争者相比，（b）从理论上降低计算的同时确保我们的模型交叉的交流，使我们的模型交叉构成，并将其交叉交叉 - 可扩展：证明与用户或项目数量线性扩展的计算效率。
激活研究项目的描述
引言研究和创新可以通过数字技术来提高循环且竞争激烈的欧洲制造业。数据互操作性和质量及其结构，真实性和完整性是剥削数据值的关键，尤其是在AI部署的背景下。量子计算，即使用量子力学现象来执行计算，这是一个可以为人和企业做出根本性变化的领域。R. P. Feynman [1]提出了使用量子力学进行计算的第一个建议之一。最流行的量子计算模型是基于量子位或量子的量子电路。光子积分电路（图片），也称为光学芯片，将多个（至少两个）光子函数整合到光学波长上的信息信号。选择光子学以接近量子计算有两个主要优点。首先是，据信随机噪声水平降低了几个数量级，即使是基于物质的方法的最小噪声。其次，为经典计算目的而努力追求图片，量子体系结构所需的核心组成部分已经在研究中。此外，照片已被证明不仅是CMOS兼容的，而且可以在CMOS制造技术和标准方面没有任何更改来构建它们[2,3]。在所有人中，硅光子学[4]由于其低光谱分散体和高折射率而容易整合复杂的光学系统。硅图片用于量子计算，可以通过线性光学量子电路和单个光子来实现。
Shor的算法在存在噪声的情况下不会考虑大整数
0 E2πI / 2 K]及其受控版本。请注意，S = R 2和T = R 3。经常指出，这些量子门以高精度的可用性（在r k中任意小角度，k→∞）都是一个挑战，在理论上，就物理理论的极限而言，在工程理论的极限上，实际上在工程基础上[3-6] 1）2）。在很大程度上，这种关注促使另一个巨大的智力成就，即纠正量子误差代码的发展[7-11]。从Shor的工作开始[12]，有大量的耐受量子计算的工作。强阈值定理被证明，这表明在某些误差模型中，如果错误率低于一定阈值，则量子计算至少在理论上可以任意高精度[10，13 - 18]。这些是美丽的数学定理。，但从根本上讲，他们假设u（2）（或su（2）如果我们考虑不相关的相位因子）完全对应于现实中的量子的操作，尤其是在其组成中，该组组成（组成，在其限制的精确性上都定义在C上，则与可实现的可实质物理量子量化的顺序应用相对应。关于这种任意精度是否可以实现的意见。当然是可能的。然而，基于这样的信念，即量子力学本身（就像任何其他物理理论一样）不是，也不是要在描述现实时绝对准确（某些投机性评论在第5节中）。我们假设同时，在过去的几十年中，巨大的效果一直在进行，最近有了更新的动力和热情，并且目的是实现量子电路的更准确的硬件实现。在本文中，我们认为在每个量子控制旋转门的情况下，Shor的量子分解算法都会在角度遇到一个小的随机噪声。
使用恶意软件数据集探索机器学习和量子机学习的漏洞：比较分析
摘要 - 机器学习的新兴领域（ML）和量子机器学习（QML）在解决各个领域的复杂问题方面具有巨大的潜力。但是，在将这些系统部署在安全敏感的应用中时，它们对对抗性攻击的敏感性会引起人们的关注。在这项研究中，我们对ML和QML模型的脆弱性，特别是常规神经网络（NN）和量子神经网络（QNN）进行了比较分析，以使用恶意软件数据集进行对抗攻击。我们利用一个称为夹具的软件供应链攻击数据集，并为QNN和NN开发了两个不同的模型，并采用Pennylane实现了Quantylane，而Tensorflow和Keras进行了传统实现。我们的方法涉及通过将随机噪声引入数据集的一小部分来制作对抗样本，并使用准确性，精度，召回和F1得分指标评估模型性能的影响。根据我们的观察结果，ML和QML模型均表现出对对抗攻击的脆弱性。与攻击后的NN相比，QNN的准确性降低了，但在精确和召回方面表现出更好的性能，表明在对抗条件下检测真正的阳性时的弹性更高。我们还发现，为一种模型类型制定的对抗样品会损害另一种模型的性能，从而强调了对强大的防御机制的需求。我们的研究是未来研究的基础，着重于增强ML和QML模型（尤其是QNN）的安全性和弹性，鉴于其最近的进步。面对对抗性攻击，将进行更广泛的实验，以更好地了解这两种模型的性能和鲁棒性。