XiaoMi-AI文件搜索系统
World File Search System鲁棒性
在类似手术的环境中，用于脑组织分化和白质纤维道鉴定的宽场成像摩尔器极化法的鲁棒性：离体研究
与哺乳动物相比，斑马鱼可以再生其受损的感光体。这种能力取决于MüllerGlia（Mg）的内在可塑性。在这里，我们确定了转基因记者Careg是重生和心脏的标志，也参与了斑马鱼的视网膜恢复。甲基硝基库（MNU）处理后，视网膜变质并包含受损的细胞类型，包括杆，紫外线敏感锥和外丛状层。该表型与Mg子集中的Careg表达诱导有关，直到光感受器突触层的重建为止。单细胞RNA测序（SCRNASEQ）对再生视网膜的分析表明，未成熟的棒群，通过高淡有关蛋白的高表达和纤毛生成基因MEIG1的定义，但光转导基因的表达较低。此外，锥体对视网膜损伤的反应显示了对代谢和视觉感知基因的放松管制。CAREG：EGFP表达和非表达MG之间的比较表明，这两个亚群的特征是不同的分子特征，表明它们对再生程序的异源反应性。核糖体蛋白S6磷酸化的动力学表明，TOR信号逐渐从MG转换为祖细胞。用雷帕霉素抑制TOR可以降低细胞周期活性，但既不影响CAREG：MG中的EGFP表达，也没有阻止恢复视网膜结构。这表明MG重编程和祖细胞增殖可能受不同的机制调节。总而言之，Careg Reporter检测到活化的MG，并在包括视网膜在内的各种斑马器官中提供了竞争能力的细胞的共同标记。
传感器对网络攻击的定量鲁棒性分析...
本文使用差异动态逻辑的形式主义，为对网络物理系统的有限传感器攻击进行定量分析。鉴于系统的前提和后结构，我们将两个定量安全性，定量的前进和后部安全性形式化，分别表达（1）该系统对指定后条件的最强后条件的强大程度，以及（2）指定的预先对系统的强度确保所需的最弱的预先条件，以确保系统的最弱点。我们介绍了两个概念，即前进和向后的鲁棒性，以将系统抗攻击的鲁棒性描述为安全性丧失。两个模拟距离分别表征了由传感器攻击引起的前向和向后安全损失程度的上限，以符合稳定性。我们通过将两个模拟距离作为差分动态逻辑的公式表达出来，并在现有工具支持的情况下证明公式。我们展示了需要避免碰撞的自动驾驶汽车的例子。
“ MHC-I- OPATHY”的Eular研究小组：识别疾病 转运蛋白介导的药物输送 细胞系和患者衍生的异种移植物的表面分析证实了FGFR4，NCAM1，CD276和突出显示AGRL2，JAM3和L1CAM，作为横纹肌肉瘤的表面目标 微生物 机器学习根据MRI纹理分析预测犬胶质瘤的组织学类型和等级 在类似手术的环境中，用于脑组织分化和白质纤维道鉴定的宽场成像摩尔器极化法的鲁棒性：离体研究 再生响应元件Careg监测MULLER GLIA在MNU诱导的斑马鱼视网膜损伤后的激活 介导对淡水的适应性
Jonas JW Kuiper ， Shumnalieva，10个秘密，11inakötter， 19,20名忠实居民，21,22NatašaVidovia，23,24和Talgal-Tutkun的折磨， 32FabianLötscher，33 Floor G Schance， 28,29 Ahmet Gul，40 John Bowes ，41,42 Rik Ju Loris ，19.20 MHC-I-Opathies研究
在不确定性下，针对电信行业的供应商绩效评估的鲁棒性数据包络分析模型
摘要。任何组织的主要活动都依赖于最短的时间和最高质量的所需商品和服务的采购。在此基础上，供应商评估，排名和选择的问题被认为至关重要。数据包络分析是该领域众所周知且成功的方法。在这项研究中，我们提出了一个健壮的数据包络分析模型，以衡量不确定性下决策单位的效率。我们通过标准和倒置模型在弹性和敏捷性方面衡量效率。为了证明所提出的模型的实际潜力，我们将模型应用于具有90个决策单位的伊朗电信行业的案例研究。数值结果表明，人力资源和现金资产是最重要的输入标准。此外，输出指标（包括适应性，可靠性，可见性和协调）在衡量决策单位的效率方面具有很高的重视。应注意的是，采用健壮的优化方法会导致控制不确定参数的波动，并在不同情况下保持理想的最佳效率效率水平。结果表明，该模型足以评估电信行业的供应商的性能，可以在不确定的条件下使用，并且可以纳入决策者的不同偏好。从这项研究中得出的管理见解表明，在短期内，供应商的整个评估过程中的不确定性通常会导致决策单位的效率降低。但是，在不确定性下运行与长期相关的几个优势，例如提高决策一致性和提高了应对不确定性的重要能力。
已发布版本的引用 (APA)：Lanese, I., Schultz, U., & Ulidowski, I. (2021)。可逆执行可增强嵌入式人工智能和工业机器人的鲁棒性。IT Professional，23(3)，12-17。https://doi.org/10.1109/MITP.2021.3073757
除了物理可逆性之外，逻辑可逆性还有许多其他原因和好处 [3]。后一种形式的可逆性涉及增强系统和软件（运行在物理不可逆的硬件上），使其能够撤消（或模拟撤消）计算。有可逆编程语言，如 Janus [4]，也有用于逆向传统命令式编程语言的技术，如 C [5]。我们还发现了如何逆转并发程序和系统的计算的基础知识 [6]，[7]，[8]，[9]。本文旨在通过一个机器人案例研究来介绍可逆计算的主题，其中逻辑可逆性产生了影响。该案例研究以及更普遍的欧洲可逆计算研究得到了 COST Action IC1405（关于可逆计算 - 扩展计算视野）的部分支持 [10]。我们将简要介绍我们开发的理论，并解释它们如何帮助我们解决案例研究中的实际问题。我们还将指出我们如何调整正式技术以加强传统的人工智能规划方法，从而产生完整的工作解决方案。我们的案例研究是关于对工业机器人进行编程，使其执行装配操作（即制造实体产品），基于人工智能规划器生成的固定装配顺序，实现自动错误恢复甚至自动拆卸。错误恢复是通过暂时反转执行方向、有效撤消最近的步骤，然后重试来实现的。这种方法在机器人的物理世界中效果很好，因为轻微的不精确可能会导致机器人卡住，但部分拆卸物体并重试通常可以解决问题。在极端情况下，整个装配顺序可以逆转，从而有效地提供一种自动拆卸物体的方法。因此，我们展示了传统的基于人工智能的规划方法如何通过底层可逆执行模型得到丰富，该模型依赖于机器人系统的实现，以提供执行规划的稳健、概率方式。该方法基于 Janus 可逆编程语言 [ 4 ] 的原理，其中计算的每一步都必须本身
URET：通用鲁棒性评估工具包（用于规避）
图像分类模型所示的对抗性规避攻击。彻底了解此类攻击对于确保关键 AI 任务的安全性和稳健性至关重要。然而，大多数规避攻击很难针对大多数 AI 系统部署，因为它们只专注于图像域，只有很少的约束。与实践中使用的许多其他 AI 系统输入类型不同，图像由同质、数值、连续和独立的特征组成。此外，某些输入类型包括额外的语义和功能约束，必须遵守这些约束才能生成真实的对抗性输入。在这项工作中，我们提出了一个新框架，使对抗性输入的生成不受输入类型和任务域的限制。给定一个输入和一组预定义的输入转换，我们的框架会发现一系列转换，这些转换会产生语义正确且功能齐全的对抗性输入。我们在具有各种输入表示的几个不同的机器学习任务上展示了我们的方法的通用性。我们还展示了生成对抗性示例的重要性，因为它们可以部署缓解技术。
MIT 开放存取文章 鲁棒性优化的量子...
量子纠错码通常被设计用于纠正错误，而不管其物理来源如何。在大型设备中，这是一项基本功能。然而，在小型设备中，主要错误源通常是可以理解的，并且可以利用这些知识进行更高效的纠错。因此，优化量子纠错协议是小型设备中一种很有前途的策略。通常，这涉及通过解决适当的优化问题来针对给定的退相干信道定制协议。在这里，我们介绍了一种新的基于优化的方法，该方法可最大限度地提高恢复过程中对故障的鲁棒性。我们的方法受到最近实验的启发，在这些实验中，此类故障是逻辑错误的重要来源。我们用三量子比特模型说明了这种方法，并展示了近期实验如何从更强大的量子纠错协议中受益。
对（现实世界）选举获胜者鲁棒性的定量和定性分析
投票是一个方便而有力的框架，用于汇总偏爱。它有许多现实世界中的应用程序，从政治选举到评估小组，决定要资助哪些研究项目以及在电视节目中进行电视节目，以汇总运动竞赛的结果。有趣的是，独立于政策，定期进行的，情感上的辩论是“胜利候选人赢得了大选”的“多少”。值得注意的是，研究发现，选举比直觉上预期的要多得多。例如，在维基百科上有313个政治选举名单，选举的决定不到0。所有选民中有1％[18]。此外，穆里根（Mulligan）和亨特（Hunter）[23]报告说，在美国的州选举中，每15人中有一个。000个选民进行了决定性的投票。以此为动机，有一大批理论文献，这可能是通过一次投票决定选举的可能性[1，3，11，16，17，21，22，33]。
在杂种量子古典深度学习中的对抗性鲁棒性DGA检测
摘要：本文旨在为对抗性的防御研究差距做出贡献，这是广告讽刺机器学习（ML）攻击和防御的最新技术。更具体地，它有助于对对抗性示例攻击的人工智能（AI） / ML模型的鲁棒性进行度量测量，目前，这仍然是网络安全域中的一个空旷问题，并且在更大程度上是基于量子计算的AI / ML应用程序的更大程度的问题。我们提出了一种新的对抗性鲁棒性测量方法，该方法从量子ML ML模型实验的性能结果中测量统计特性（例如精度和t检验结果的平均值）。我们认为，我们提出的方法适合实现量子安全世界的实际使用，因为在当前嘈杂的中间尺度量子设备（NISQ）时代，量子噪声对于建模是复杂且具有挑战性的，因此使测量任务或基准测试变得复杂。我们的研究的第二个贡献是用于僵尸网络域生成算法（DGA）检测的新型硬化杂交量子量化深度学习（DL）模型，它采用了一种模型硬化的广告范围训练技术来减轻新型未知DGA对手，因为新的CyberAttarake从网络攻击中进行了新的CyberAttack，因此可以预期的是遇到网络武器竞赛。我们的分析表明，混合量子DL模型对对抗性示例攻击的脆弱性高达19％的平均准确性下降。我们还发现，硬化模型的优越性获得的平均准确性高达5.9％。此外，我们发现杂交量子型DL方法使抑制量子噪声对分类器性能的负面影响的好处。我们演示了如何应用我们提出的测量方法评估我们的新型混合量子DL模型，并强调了我们的模型与对抗性示例攻击的对抗性鲁棒性，这是我们研究对跨量子对抗机器学习的实际意义的证据。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。