XiaoMi-AI文件搜索系统
World File Search System黑盒
经典可访问预言机下的经典与量子建议和证明
量子信息通常比经典信息具有更丰富的结构，至少直观上是如此。第一个（但通常是错误的）想法是相位和幅度是连续的，并且量子信息可能能够存储比经典信息多出指数或无限多的信息；但这始终不正确 1 。由于经典信息和量子信息具有截然不同的性质，学界在不同背景和方向研究它们之间的区别，包括建议辅助量子计算[NY04、Aar05、Aar07、AD14、NABT14、HXY19、CLQ19、CGLQ20、GLLZ21、Liu22]、QMA 与 QCMA（即具有量子或经典见证的量子 NP）[AN02、AK07、FK18、NN22]、量子与经典通信复杂性[Yao93、BCW98、Raz99、AST + 03、BYJK04、Gav08] 等等。理解它们之间差异的一种方法是研究单向通信复杂度：即 Alice 和 Bob 想要用他们的私有输入联合计算一个函数，但 Alice 和 Bob 之间只允许进行一次量子/经典通信。在众多研究中，Bar-Yossef、Jayram 和 Kerenidis [ BYJK04 ] 展示了量子和经典单向通信复杂度之间的指数分离，即所谓的隐藏匹配问题。另一种方法是研究 QMA 与 QCMA 。2007 年，Aaronson 和 Kuperberg [ AK07 ] 展示了关于黑盒量子幺正的黑盒分离，而关于经典预言机的相同分离仍是一个悬而未决的问题。十多年后，Fefferman 和 Kimmel [ FK18 ] 使用分布式就地证明了第二种黑盒分离
关于后处理中单向函数最小性的注记...
摘要。在经典密码学中，单向函数 (OWF) 起着核心作用，它是 (几乎) 所有原语都隐含的最小原语。在量子密码学中，情况更加复杂，其中诚实方和对手可以使用量子计算和通信，并且众所周知，量子环境中的 OWF 类似物可能不是最小的。在这项工作中，我们询问 OWF 是否是后量子密码学中间环境中的最小值，其中协议是经典的，但它们将抵抗量子对手。我们表明，对于广泛的自然设置，如果原语 Q 意味着 OWF，那么它的 (均匀或非均匀安全的) 后量子类似物也是如此。特别是，我们表明，如果原语 Q 通过黑盒经典安全约简 R 暗示任何其他具有 2 消息安全游戏 (例如，OWF) 的原语 P，那么人们总是可以 (有效地) 将任何多项式大小的量子对手破解 P 变成多项式大小的量子对手破解 Q 。请注意，即使使用 Q 实现的 P 实现是任意非黑盒的，此结果仍然成立。我们还证明了当归约 R 预期其预言对手是确定性时，此结果的扩展，只要以下任一条件成立：(1) 对手只需以不可忽略的概率赢得 Q 的安全游戏（例如，Q 是抗碰撞哈希）或 (2) P 和 Q 中的任何一个都有“可证伪的”安全游戏（当 P 是 OWF 时就是这种情况）。当 Q 通过非黑盒安全归约暗示 OWF 时，或者当 P 使用比双消息游戏更复杂的安全游戏时，我们的工作没有回答我们的主要问题。
FPGA 优化 - UTK-EECS
格雷式或顺序编码可能更快 格雷式或顺序编码可能更快。6. 对于带有黑盒的设计，使用 syn_tpd 、 syn_tco 和 syn_tso 指令准确描述时序模型。7. 确保将时序约束传递给 P&R 工具，
tnm以外的预后标记
P-D-08研究摘要用于医学图像分割的黑盒改编Jay Nitin Paranjape； Shameema Sikder，医学博士，FACS； S. Swaroop Vedula，MBBS，博士，MPH；以及马里兰州巴尔的摩的Vishal M. Patel Johns Hopkins大学；约翰·霍普金斯大学医学院，马里兰州巴尔的摩简介：大型基础模型在一般计算机视觉任务中具有先进的图像细分，但是由于接受了非医疗数据培训，它们在医学图像细分方面经常表现不佳。当前用于将这些模型调整为医疗任务的方法通常假设对模型参数完全访问，这并不总是可行的，因为许多模型仅作为API或黑框可用。此外，对此类模型进行微调可能是计算密集的，并且隐私问题限制了与第三方共享医疗数据。方法：为了解决这些挑战，我们提出了BAPS（用于促进分割的黑盒改编），这是一种新型技术，旨在在黑盒条件下适应医疗图像分割中的基础模型。BAPS由两个组成部分组成：一个图像促销解码器（IP解码器），该解码器（IP解码器）从输入映像和提示中生成视觉提示，以及零订单优化（Zoo）方法，SPSA-GC，该方法可更新IP解码器，而无需通过基础模型进行回音。此方法允许在不了解模型的权重或梯度的情况下进行适应，因此它非常适合黑色盒子方案。结果：BAPS以四种不同的医学成像方式进行了测试，表明原始基础模型的性能大约提高了4％。公开可用的BAPS代码。实现了这种改进，而没有与基础模型的内部参数进行任何直接相互作用，从而突出了我们的黑盒适应方法的有效性。结论：BAPS为将基础模型调整为医学图像分割提供了创新的解决方案，尤其是在模型参数无法访问时。通过将图像推出解码器与零订单优化方法相结合，BAP可以有效地提高分割性能，而无需访问模型的内部结构。这种方法解决了计算和隐私方面的关键挑战，为在医学成像中应用基础模型提供了新的途径。
人工智能的工程应用
为了降低工程设计中的计算成本，昂贵的高保真仿真模型通常用数学模型来近似，这些数学模型被称为元模型。典型的元建模方法假设昂贵的仿真模型是黑盒函数。在本文中，为了提高元模型的准确性并降低构建元模型的成本，利用有关工程设计问题的知识来帮助开发一种新的元模型，称为因果人工神经网络（causal-ANN）。利用设计问题固有的因果关系将 ANN 分解为子网络，并利用中间变量的值来训练这些子网络。通过涉及设计问题的知识，因果 ANN 的准确性高于假设黑盒函数的传统元建模方法。此外，可以利用因果 ANN 的结构和贝叶斯网络理论从因果 ANN 中识别出有吸引力的子空间。本文还讨论了因果图保真度和设计变量相关性的影响。工程案例研究表明，只需少量昂贵的模拟即可准确构建因果 ANN，并且可以直接从因果 ANN 中识别出有吸引力的设计子空间。
贝叶斯优化函数在图中的节点子集
我们解决了图表中节点子集上定义的功能优化的问题。鉴于其组合，黑盒和昂贵的评估性质，这种功能的优化通常是一项非平凡的任务。尽管文献中已经引入了各种算法，但大多数是特定于任务或计算效率低下的算法，并且仅利用图形结构的信息而不考虑函数的特征。为了解决这些限制，我们利用贝叶斯优化（BO），一种样品有效的黑盒求解器，并提出了一个新颖的框架，以在图形上进行组合优化。更具体地说，我们将原始图中的每个k节点子集映射到新组合图中的节点，并采用局部建模方法，通过使用递归算法逐步采样其子图，以有效地穿越后者。合成和现实世界中的广泛实验证明了拟议的BO框架在各种类型的图形和优化任务上的有效性，其中通过消融研究详细分析了其行为。可以在github.com/leonresearch/graphcombo上找到实验代码。
人类知识在可解释人工智能中的作用
摘要：随着机器学习模型的性能和复杂性在过去几年中显著增长，开发描述其行为的方法的需求也日益增加。这种需求主要是由于黑盒模型的广泛使用而产生的，黑盒模型即高性能模型，其内部逻辑难以描述和理解。因此，机器学习和人工智能领域面临着一个新的挑战：通过适当的技术使模型更易于解释。可解释性方法的最终目标是忠实地向用户描述（黑盒）模型的行为，使用户能够更好地理解其逻辑，从而增加对系统的信任和接受度。不幸的是，最先进的可解释性方法可能不足以确保从人类角度完全理解解释。因此，人机交互方法已被广泛用于增强和/或评估机器学习模型的解释。这些方法侧重于收集人类知识，然后人工智能系统可以使用这些知识或让人类参与其中以实现其目标（例如，评估或改进系统）。本文旨在概述通过人机交互方法收集和使用人类知识来改善和评估机器学习模型的可理解性的文献。此外，本文还讨论了可解释性方面的挑战、最新进展和未来趋势。
反事实图表 -
训练图分类器能够区分健康的大脑和功能障碍的大脑，可以帮助识别与特定认知表型相关的子结构。然而，图形分类器的仅预测能力是神经科学家的兴趣，这些神经科学家有很多用于诊断特定精神疾病的工具。重要的是对模型的解释，因为它可以提供新颖的见解和新假设。在本文中，我们提出了反事实图作为对任何黑盒图形分类器进行局部事后解释的一种方法。给定图形和一个黑框，反事实是一个图形，虽然与原始图具有很高的结构相似性，但在其他类别中由黑框分类。我们提出并进行了反对反事实图搜索的几种策略。我们针对具有已知视觉反事实的白盒分类器的实验，表明我们的方法虽然启发式，但可以产生非常接近最佳的方法。最后，我们展示了如何使用反事实图来构建全局解释，从而正确捕获了不同黑盒分类器的行为并为神经科学家提供有趣的见解。
西蒙算法 - CS@YorkU
考虑一个函数 f：{0,1} n --> {0,1} n 。其定义域和余定义域各由 2 n 个元素组成。在编程上下文中，f 接受 n 个布尔参数并返回一个包含 n 个布尔值的数组。如果将 n 个 0/1 值视为整数二进制表示中的位，那么 f 可以被认为是一个函数，将 [0,N-1] 中的整数映射到 [0,N-1] 中的整数，其中 N=2 n 。我们假设 f 作为一个黑盒 U f（一个 oracle ）提供，并在硬件中实现它。假设 f 满足属性（承诺）：∃𝑠∈{0,1} ！: ∀𝑥, 𝑦∈{0,1} ！ , 𝑓(𝑥) = 𝑓(𝑦) ⇔𝑥= 𝑦 ⊕𝑠 查找位串 s 。换句话说，f 要么是 2 对 1 的（将通过掩码 s 连接的对映射到同一幅图像），要么是 1 对 1 的（将不同的元素映射到不同的图像）。1 对 1 的情况对应于 s 是一串 0，这很简单，我们将通过在承诺中添加 s ≠ 0 n 来回避。因此，我们假设 f 是 2 对 1 的。和以前一样，我们假设 f 通过实现它的黑盒 U f （一个 oracle ）给出。2. 例子
量子可计算的单向函数
•具有语义安全性的公共钥匙加密•具有存在性不可原谅的安全性的公共键签名•带有模拟安全性的遗忘转移和MPC（无量子通信/长期量子内存）•P = NP量子敏感或不敏感，没有黑盒攻击“ P = np g = np g = np g = np gastum-natum cantum countum cancous”