XiaoMi-AI文件搜索系统
World File Search System验证任务
廉价的脑电波身份验证：用户接受的新技术和见解
脑电波已被证明在整个个体中都足够独特，可以用作生物识别技术。他们还提供了与传统身份验证手段的优势，例如抵抗外部可观察性，可竞争性和内在的易感检测。但是，到目前为止，大多数研究都是用昂贵，笨重的医学级头盔进行的，这些头盔可用于日常使用。旨在将脑电波身份验证及其收益更接近现实世界的部署，我们使用消费者设备调查了大脑生物识别技术。我们进行了一项全面的体验，该实验比较了用户样本的五个身份验证任务，最大的五倍比以前的研究大10倍，并基于认知语义处理的三种新技术。我们分析了不同选项的性能和可用性，并使用此证据来引起设计和研究建议。我们的结果表明，基于对当前廉价技术的图像的响应，可以实现相等的错误率14.5％（相对于现有方法的37％-44％降低）。关于采用，用户要求更简单的设备，更快的身份验证和更好的隐私。
开放项目征集 2024 - 对 RFP 的回应
提案人须提供关键性能参数 (KPP)，这些参数应构成工业上相关的成功/验收衡量标准，并应与项目技术方法（范围）内的任务、试验、实验或测量保持一致。关键性能参数应可测量/量化，并应包括成功展示这些参数的方法的说明。答复应使用类似于常见工业验收标准的因素来提出关键性能参数。例如，抗拉强度最小、平均或标准偏差、最大孔径或其他相关质量指标，作为以有利于技术或制造就绪水平评估的方式验证任务结果的手段。对于那些不熟悉技术就绪水平评估的人，请参阅以下参考资料（https://www.gao.gov/assets/710/706680.pdf）。响应需要使用阈值（最低可接受值）和客观（理想或延伸目标）值方法，该方法将 KPP 与任务、数据和数据类型以及 KPP 的演示方式相一致。例如，可以使用金相切片、显微镜和图像分析来验证不超过特定最大孔径的 KPP，这些分析针对的是完全热处理条件下的铸造材料 0.5 英寸横截面。
朝着面部验证的视觉显着性解释
在过去的几年中，深度卷积神经网络一直在验证和识别场景中推动面部识别（FR）技术的边界。尽管准确性很高，但他们经常因缺乏解释性而受到批评。对了解深面识别系统的决策过程的需求越来越不断增加。最近的研究调查了视觉显着性图作为一种解释，但在面部识别的背景下，它们通常缺乏讨论和分析。本文集中于可解释的面部验证任务，并想出了新的解释框架。首先，提供了基于显着的解释方法的定义，该方法的重点是深FR模型做出的决策。其次，提出了一种名为corrrise的新型模型不合时宜的方法来产生显着图，该图显示了任何给定的面部图像的相似区域和不同区域。然后，一种评估方法旨在衡量面部验证中一般视觉显着性解释方法的性能。最后，实质性的视觉和定量结果表明，与其他可解释的面部验证方法相比，提出的Corrrise方法具有有希望的结果。
通过分离任务相关的神经信号揭示运动皮层中意想不到的复杂编码但简单的解码机制
摘要 在运动皮层中，任务相关的神经反应与无关信号纠缠在一起，这使编码和解码机制的研究变得复杂。目前尚不清楚任务无关信号是否可能隐藏一些关键真相。一种解决方案是准确地分离任务相关和无关信号，但由于任务相关信号的基本事实未知，这种方法仍然难以捉摸。因此，我们提出了一个框架来定义、提取和验证任务相关信号。通过分析执行不同伸手任务的三只猴子的分离信号，我们发现以前被认为无用的神经反应以复杂的非线性方式编码了丰富的任务信息。这些反应对于神经元冗余至关重要，并揭示了运动行为占据了比之前预期更高维的神经空间。令人惊讶的是，当结合经常被忽略的神经维度时，任务信息 24 可以像非线性解码一样准确地进行线性解码，这表明线性读出是在运动皮层中进行的。我们的研究结果提示，分离与任务相关的信号可能有助于发现更多隐藏的皮层机制。27
dtsyn：一个基于双转化器的神经网络，可预测协同药物组合
抽象的药物组合疗法在解决肿瘤异质性问题时在许多方面都优于单一治疗癌症治疗。对于湿lab实验，由于可能的药物对搜索空间，筛选新型的协同药对具有挑战性。因此，已经开发了计算方法来预测具有潜在协同功能的药物对。尽管当前模型取得了成功，但对其他数据集的概括的力量以及了解化学化学相互作用或化学样本相互作用机制的理解是缺乏研究，从而阻碍了实际应用的当前算法。在本文中，我们提出了一种基于多头注意力机制的DTSYN（药物对协同预测的双变压器模型）的深神经模型，以鉴定新的药物组合。我们设计了一种细粒状变压器，用于捕获化学下结构基因和基因 - 基因关联以及一种用于提取化学化学化学和化学细胞线相互作用的粗粒状变压器。dtsyn在曲线（ROC AUC）下达到了最高的接收器工作特征区域，为0.73，0.78。0.82和0.81在四个不同的交叉验证任务上，表现优于所有竞争方法。此外，DTSYN在五个独立数据集中实现了最佳的真实正率（TPR）。消融研究表明，两个变压器块都导致了DTSYN的性能。此外，DTSYN可以在化学物质和细胞系之间提取相互作用，这可能代表了药物作用的机制。因此，我们设想模型是通过使用化学物质和转录组数据来确定协同药物对优先级的有价值工具。
使用合格工具进行基于模型的 DO-178B 设计
I. 简介 基于模型的设计允许工程师设计嵌入式系统并在其桌面环境中对其进行仿真，以进行分析和设计。基于模型的设计提供了各种代码生成功能，团队可以使用这些功能生成源代码，用于多种目的，包括仿真、快速原型设计和硬件在环测试。基于模型的设计在飞行代码设计和嵌入式部署中的应用也已得到充分证实 [1-4]。飞行软件需要经过严格且有据可查的验证活动才能获得飞行认证，例如商用机载软件认证标准 DO-178B [5]。根据 DO-178B，执行开发或验证任务的工具需要经过认证，或者其输出需要经过验证。根据 DO-178B 对工具进行认证的程序取决于工具的作用。如果工具用于开发活动，则适用严格的认证程序；对于验证工具，则使用大量但不太严格的程序。本文将介绍使用商用现货 (COTS) 基于模型的设计技术开发嵌入式飞行软件的框架。本文将介绍一个工作流程，其中包括文本要求、详细设计模型、自动代码生成和各种自动验证步骤。本文将与使用纸质设计和手工编码的传统开发流程进行比较。本文还将研究工具鉴定工件
量子优势的博弈
我们提出了一种形式化方法，将向怀疑论者证明量子优越性的过程描述为由裁判监督的两个代理之间的互动游戏。该模型涵盖了目前存在的大多数量子优势验证技术。在这种形式化方法中，Bob 从量子设备上的分布中采样，该分布应该展示量子优势。然后，另一个玩家，即持怀疑态度的 Alice，被允许提出模拟分布，这些模拟分布应该可以重现 Bob 设备的统计数据。然后，Bob 需要提供见证函数来证明 Alice 提出的模拟分布无法正确近似他的设备。在这个框架内，我们建立了三个结果。首先，对于随机量子电路，Bob 能够有效地区分他的分布和 Alice 的分布意味着可以有效地近似模拟该分布。其次，找到一个多项式时间函数来区分随机电路的输出和均匀分布也可以在多项式时间内欺骗重度输出生成问题。这表明，在随机量子电路的设置中，即使是最基本的验证任务也可能无法避免指数资源。最后，通过采用强数据处理不等式，我们的框架使我们能够分析噪声对经典可模拟性和更一般的近期量子优势提案的验证的影响。
通过深度学习来推进手写签名验证：全面的研究和高精度方法
摘要 - 本文介绍了一项有关使用深度学习技术的手写签名验证的全面研究。本研究旨在应对离线签名验证的挑战，在此任务是自动区分真正的签名与伪造的挑战。所提出的方法利用了最新的深度学习模型，包括Mobilenet，Resnet50，InceptionV3和VGG19与Yolov5结合使用，以实现高精度分类和可靠的伪造检测。在多个基准数据集上评估了该系统，包括Kaggle签名，Cedar，ICDAR和SIGCOMP，在各种现实世界中展示了其有效性和鲁棒性。所提出的方法包括数据预处理技术，以增强输入手写签名图像的质量，从而使模型能够捕获基本功能和模式以进行准确的分类。结果表明，与现有的最新方法相比，提出的方法的优越性在识别真正的特征并准确检测伪造方面达到了出色的准确率（89.8％）。此外，该模型对变化数据集大小和配置的适应性进一步支持其在签名验证任务中实际部署的潜力。这项研究有助于脱机签名验证技术的发展，为确保各种应用程序中手写签名的安全性和真实性提供了可靠，有效的解决方案。
更简单的量子性证明 - DROPS
量子性证明是一种可证明的方法（向经典验证者证明），量子设备可以执行具有同等资源的经典设备无法执行的计算任务。提供量子性证明是构建有用的量子计算机的第一步。目前有三种方法可以展示量子性证明：（i）反转经典困难的单向函数（例如使用 Shor 算法）。这在技术上似乎遥不可及。（ii）从经典难以采样的分布中采样（例如 BosonSampling）。这可能在近期实验的范围内，但对于所有这些已知验证任务，都需要指数时间。（iii）基于加密假设的交互式协议。使用陷门方案可以实现有效的验证，并且实现所需的资源似乎比（i）少得多，但仍比（ii）多。在这项工作中，我们提出了一种显著简化方法 (iii) 的方法，即采用随机预言启发式方法。（我们注意到，我们不应用 Fiat-Shamir 范式。）我们基于任何无爪陷门函数给出了量子性的双消息（质询-响应）证明。与早期的提议相比，我们不需要自适应硬核位属性。这允许使用更小的安全参数和更多样化的计算假设（例如带错误的环学习），从而显著减少成功演示所需的量子计算工作量。
![arxiv：2404.01769v1 [cs.lg] 2024年4月2日](/simg/g:\will\search\icon\source\d\d95b759ebd6bed6b12bc345584714d55f28ad964.webp)
arxiv：2404.01769v1 [cs.lg] 2024年4月2日
摘要。深度加强学习技术的快速进步可以通过使用深神经网络（DNNS）来监督安全 - 关键系统。这强调了迫切需要为此类DNN控制系统建立精心设计的安全保证。大多数现有的验证方法都取决于定性方法，主要是使用可达性分析。但是，定性验证证明了DNN控制的系统不足，因为在开放和对抗环境中运行时，其行为表现出随机趋势。在本文中，我们提出了一个新的框架，用于统一DNN控制系统的定性和定量安全验证概率。这是通过将验证任务作为有效神经屏障证书（NBC）的综合来实现的。最初，该框架试图通过定性验证来建立几乎固定的安全保证。在定性验证失败的情况下，我们调用了我们的定量验证方法，在无限和有限的时间范围内都可以在概率安全性上获得精确的下限和上限。为了促进NBC的合成，我们引入了它们的𝑘诱导变体。我们还设计了一种模拟引导的训练NBC的方法，旨在在计算精确认证的上限和上限时达到紧密度。我们将方法原型化为一个名为uniqq的工具，并在四个经典的DNN控制系统上展示了其e ffi cacy。