信用风险分析对金融机构的有效运作至关重要。 量子振幅估计(QAE)提供了比经典方法(用于估计风险价值(VaR)和风险条件值(CVAR))等指标的二次加速的潜力。 然而,在有效扩展解决这些估计问题的量子电路的实现方面仍然存在许多限制。 其中一个主要挑战是使用昂贵的限制性算术,必须在量子电路内实现。 在本文中,我们建议使用量子奇点值转换(QSVT)来显著降低实施状态准备运算符的成本,这是QAE进行信用风险分析的基础。 我们还介绍了端到端代码实现和模拟研究的结果,以验证拟议方法并展示其益处。
Quantum Fisher Information(QFI)可用于量化量子态对其变异参数变化的敏感度,使其成为量子近似优化算法(QAOA)等算法的自然诊断。 我们对 QAOA for Max-Cut 的 cyclic 和完整图形进行 N = 4 - 10 量子比特的系统 QFI 分析。 研究了两个混合器家族,仅RX和混合RX-RY,深度p = 2,4,6和p = 3,6,9,并且通过循环或完全纠缠模式实现最多三个纠缠阶段。 完整的图形始终产生比循环图更大的QFI特征值;没有一个设置达到海森堡极限(4N^2),但有几个超过了线性边界(4N)。 引入纠缠主要将QFI从对角线重新分配到对角线条目:非纠缠电路最大化每参数(对角线)灵敏度,而纠缠层增加协方差分数,从而交叉参数相关性,在第一阶段之后收益递减。 利用这些观察,我们提出,作为概念的证明,QFI-Informed Mutation(QIm)发热,从标准化对角线QFI中设置突变概率和步进大小。 在7-和10量子位实例中,QIm获得更高的平均能量和更低的方差,比100次运行的相等概率和随机重启基线,强调QFI是QAOA和其他可变量子算法的轻量级,问题感知的前提条件。
基于语音的AI代理在医疗保健领域的整合为弥合数字健康提供的经济和可及性差距提供了变革性机会。 本文探讨了大型语言模型(LLM)驱动的语音助手在加强预防护理和持续患者监测方面的作用,特别是在服务不足的人群。 从Agent PULSE(患者理解和联络支持引擎)的开发和试点研究中汲取见解 - IBM Research,Cleveland Clinic Foundation和Morehouse School of Medicine之间的合作计划 - 我们展示了一个经济模型,展示了AI代理如何在人类干预在经济上不可行的情况下提供具有成本效益的医疗保健服务。 我们对33名炎症性肠病患者的试点研究表明,70%的人表示接受人工智能驱动的监测,37%的人更喜欢传统模式。 技术挑战,包括实时会话AI处理,与医疗保健系统的集成和隐私合规性,与围绕监管,偏见缓解和患者自治的政策考虑因素一起进行分析。 我们的研究结果表明,人工智能驱动的语音代理不仅可以提高医疗保健的可扩展性和效率,还可以提高患者的参与度和可访问性。 对于医疗保健高管来说,我们的成本利用率分析为常规监测任务提供了巨大的潜在节省,而技术人员可以利用我们的框架来优先考虑产生最高患者影响的改进。 通过解决当前的局限性,并将人工智能开发与道德和监管框架保持一致,基于语音的人工智能代理可以作为公平、可持续的数字医疗保健解决方案的关键切入点。
我们提供了一个全面的量子算法,为定价自动调用选项量身定制,提供了完整的实现和实验验证。 我们的实验包括在高性能计算(HPC)硬件上进行模拟,以及对与经典估计值的融合经验分析。 我们的关键创新是改进基于集成的指数振幅加载技术,与最先进的方法相比,可降低电路深度。 相关设置中的详细复杂度分析显示,相对于以前的方法,回报组件的T深度减少了约50倍。 这些贡献代表了朝着更有效的量子方法定价复杂金融衍生品迈出的一步。
开发用于社交协作的辅助机器人引发了关于负责任和包容性设计的关键问题，特别是当与残障人士或老年人等受保护群体互动时。目前，关于参与者如何评估不同机器人行为与多样化人类需求组合的研究十分匮乏，这可能是因为参与者对先进家用机器人的实际体验有限。本研究旨在填补这一空白，同时采用能让参与者评估机器人行为的方法，以及支持有限经验下进行有意义反思的方法。在一项在线研究中，112名参与者（来自实验组和对照组）从28种人机协作类型变体中评估了7个视频。实验组在评分前首先完成了关于人机协作的认知情感映射（CAM）练习。尽管CAM反思未显著影响总体评分，但它导致对某些机器人行为与人类状况组合的更显著评估。最重要的是，人机协作类型会影响评估结果。反社会机器人行为始终被评为最低，而与老年人协作引发了更敏感的评估。涉及物体交接的场景比没有交接的场景获得更积极的评价。这些发现表明，人类特征和交互范式都会影响协作机器人的可接受性感知，强调了亲社会设计的重要性。它们还凸显了CAM等反思方法在获取细致反馈方面的潜力，有助于开发针对多样化群体的以用户为中心且具有社会责任的机器人系统。
信用风险分析对金融机构的有效运作至关重要。 量子振幅估计(QAE)提供了比经典方法(用于估计风险价值(VaR)和风险条件值(CVAR))等指标的二次加速的潜力。 然而,在有效扩展解决这些估计问题的量子电路的实现方面仍然存在许多限制。 其中一个主要挑战是使用昂贵的限制性算术,必须在量子电路内实现。 在本文中,我们建议使用量子奇点值转换(QSVT)来显著降低实施状态准备运算符的成本,这是QAE进行信用风险分析的基础。 我们还介绍了端到端代码实现和模拟研究的结果,以验证拟议方法并展示其益处。
Quantum Fisher Information(QFI)可用于量化量子态对其变异参数变化的敏感度,使其成为量子近似优化算法(QAOA)等算法的自然诊断。 我们对 QAOA for Max-Cut 的 cyclic 和完整图形进行 N = 4 - 10 量子比特的系统 QFI 分析。 研究了两个混合器家族,仅RX和混合RX-RY,深度p = 2,4,6和p = 3,6,9,并且通过循环或完全纠缠模式实现最多三个纠缠阶段。 完整的图形始终产生比循环图更大的QFI特征值;没有一个设置达到海森堡极限(4N^2),但有几个超过了线性边界(4N)。 引入纠缠主要将QFI从对角线重新分配到对角线条目:非纠缠电路最大化每参数(对角线)灵敏度,而纠缠层增加协方差分数,从而交叉参数相关性,在第一阶段之后收益递减。 利用这些观察,我们提出,作为概念的证明,QFI-Informed Mutation(QIm)发热,从标准化对角线QFI中设置突变概率和步进大小。 在7-和10量子位实例中,QIm获得更高的平均能量和更低的方差,比100次运行的相等概率和随机重启基线,强调QFI是QAOA和其他可变量子算法的轻量级,问题感知的前提条件。
我们提供了一个全面的量子算法,为定价自动调用选项量身定制,提供了完整的实现和实验验证。 我们的实验包括在高性能计算(HPC)硬件上进行模拟,以及对与经典估计值的融合经验分析。 我们的关键创新是改进基于集成的指数振幅加载技术,与最先进的方法相比,可降低电路深度。 相关设置中的详细复杂度分析显示,相对于以前的方法,回报组件的T深度减少了约50倍。 这些贡献代表了朝着更有效的量子方法定价复杂金融衍生品迈出的一步。
Federated Learning(FL)在不同领域越来越受欢迎,为客户提供了一种在不共享敏感数据的情况下共同训练全球模型的方式。 它涉及全球模型和参与客户之间的多轮通信,这带来了一些挑战,如高通信成本,异构客户端数据,延长处理时间以及隐私威胁的脆弱性增加。 近年来,联邦学习和参数化量子电路的融合引发了重大的研究兴趣,对医疗保健和金融等领域产生了有希望的影响。 通过实现量子模型的分散训练,它允许客户或机构协同提高模型性能和结果,同时保持数据隐私。 认识到Fisher信息可以量化量子态在参数变化下携带的信息量,从而提供对其几何和统计属性的洞察。 我们打算利用这一财产来应对上述挑战。 在这项工作中,我们提出了一个量子联邦学习(QFL)算法,该算法使用在本地客户端模型上计算的Fisher信息,数据分布在异构分区中。 该方法确定了显著影响量子模型性能的关键参数,确保它们保存在聚合过程中。 我们的研究通过比较其性能与其他变体来评估QFL的有效性和可行性,并探索在QFL环境中纳入Fisher信息的好处。 ADNI和MNIST数据集的实验结果表明,我们的方法在针对量子联合平均方法实现更好的性能和稳健性方面的有效性。
本文开发了一个与虚假信息叙事相似性的连续尺度测量,可以检测虚假信息并捕获其特征的细微部分真理。 为此,开发了两种工具,并记录了它们的方法。 追踪工具采用推文和目标叙述,对每个目标叙述的相似性进行评级,并将其作为时间表绘制。 第二个叙事合成工具集群推文高于相似性阈值,并生成每个集群中的主导叙事。 这些工具被组合成一个 Tweet 叙事分析仪表板。 追踪工具在GLUE STS-B基准上验证,然后使用这两个工具分析两个案例研究以进行进一步的经验验证。 第一个案例研究使用了目标叙述“2020年选举被盗”,并分析了2020年期间唐纳德·特朗普推文的数据集。 第二个案例研究使用了目标叙事 , “ 跨性别者对社会有害 ” , 并分析了媒体机构《纽约时报 》 、 《卫报 》 、 《The Gateway Pundit》和福克斯新闻的数万条推文。 这些案例研究的经验发现共同展示了细微差别的虚假信息检测、追踪和表征的语义相似性。 本论文中开发的工具是托管的,可以通过作者的许可访问。 请在您的请求中说明您的用例。 本文的HTML友好版本在https://chaytanc.github.io/projects/disinfo-research(Inman,2025)。
分散的自治组织(DAO)依赖于没有集中领导的治理机制。 本文介绍了对各种DAO(从DeFi到游戏)的治理中用户行为的经验研究,使用称为SNS(服务神经系统)的互联网计算机协议DAO框架。 为了分析用户参与度,我们衡量参与率和提交提案的频率以及选民批准率。 我们评估决策持续时间以确定 DAO 敏捷性。 为了研究动态方面,我们还测量了时间上的度量变化。 我们评估从14 SNS DAO的20个月内提交的3,000多份提案。 选定的DAO已经存在了6至20个月,涵盖了广泛的用例,金库大小和参与者数量。 我们还将SNS DAO的结果与其他区块链平台的DAO进行比较。 虽然所研究的所有DAO的批准率通常很高,但SNS DAO显示的对齐略高。 我们注意到,ICP中的SNS治理机制和流程导致更高的活动,更低的成本和更快的决策。 最重要的是,与其他框架的参与率随时间下降的研究相反,SNS DAO表现出持续或不断增长的参与水平。
由于分散的预处理工作流程、模型兼容性问题以及严格的数据隐私限制,在医疗保健中构建和部署机器学习解决方案仍然昂贵且劳动密集型。 在这项工作中,我们引入了一个Agentic AI框架,通过模块化的,特定任务的代理系统,自动化整个临床数据管道,从摄取到推理。 这些代理处理结构化和非结构化数据,无需人工干预即可实现自动功能选择、模型选择和预处理建议。 我们评估来自老年医学,姑息治疗和结肠镜检查成像的公开数据集上的系统。 例如,在结构化数据(焦虑数据)和非结构化数据(结肠镜息肉数据)的情况下,管道从Ingestion Identifier Agent的文件类型检测开始,其次是数据匿名代理确保隐私合规性,我们首先识别数据类型,然后匿名化。 特征提取代理使用基于嵌入的表格数据方法识别特征,提取所有列名,以及基于多阶段MedGemma的图像数据方法,该方法推断模式和疾病名称。 这些功能指导模型-数据功能匹配代理从策划的存储库中选择最适合的模型。 然后,预处理推荐代理和预处理实施代理根据数据类型和模型要求应用量身定制的预处理。 最后,“模型推理代理”在上传的数据上运行选定的模型,并使用SHAP,LIME和DETR注意力映射等工具生成可解释的输出。 通过自动化ML生命周期的这些高摩擦阶段,拟议的框架减少了重复专家干预的需求,为在临床环境中操作AI提供了可扩展的,具有成本效益的途径。
互联和自动驾驶汽车(CAV)为完全合规的集中路由开辟了可能性,使系统最佳交通分配成为可能。 然而,由于系统优化使一些司机比其他司机更好,自愿接受似乎可疑。 为了克服这个问题,我们提出了Wardropian循环的新概念,与以前的乌托邦愿景相反,这使得分配在最优的基础上是公平的,这相当于对Wardrop原则的满足。 这些周期,表示为每日分配矩阵的排列序列,在有限的天数后始终存在并均衡旅行者的平均旅行时间(如用户均衡),同时保持路径流的日常最佳性(如系统优化)。 我们提出了计算此类周期的确切方法,并减少了它们的长度和周期内对用户的不便。 由于识别最佳周期在许多方面都是NP-hard,我们引入了一种贪婪的保湿方法,有效地近似最佳解决方案。 最后,我们介绍并讨论循环用户均衡的新范式,该范式可确保单侧偏差下最佳Wardropian Cycles的稳定性。 我们用大规模的模拟来补充我们的理论研究。 在巴塞罗那,使用中位长度为11天的周期消除了670个无政府价格小时的车辆小时,尽管为5小时
边缘人工智能部署变得越来越复杂,需要为资源受限的嵌入式系统提供节能解决方案。 近似计算允许在计算中受到控制的不准确性,正在成为提高功率和能源效率的有希望的方法。 近似计算的关键技术包括近似算术运算符(AxOs),该技术使基于传统计算机算术硬件还原的方法(如量化和精确缩放)之外实现特定于应用的优化。 用于近似计算的现有设计空间探索(DSE)框架仅限于基于选择的方法或在固定抽象级别上的自定义合成,这限制了寻找特定于应用程序的最佳解决方案所需的灵活性。 此外,用于AxOs的DSE的工具在探索不同的近似模型和将分析扩展到不同的粒度方面非常有限。 为此,我们提出了AxOSyn,这是AxOs的DSE的开源框架,它支持各种抽象级别的选择和综合方法。 AxOSyn允许研究人员集成用于评估近似值的自定义方法,并在操作员级别和特定于应用程序的促进DSE。 我们的框架提供了实现节能,近似运营商的有效方法。
集中流动性做市商(CLMM)中识别有影响力的流动性提供者(LP)的传统方法依赖于广泛的措施,例如名义资本规模或表面活动,这往往导致不准确的风险分析。 SILS框架提供了一种更加详细的方法,不仅将LP描述为资本持有者,而且将其行为直接影响市场稳定的动态系统代理。 这代表了从静态的、基于体积的分析到动态的、以影响为中心的理解的基本范式转变。 这种高级方法使用链上事件日志和智能合约执行痕迹来计算指数时间加权流动性(ETWL)配置文件,并应用无监督异常检测。 最重要的是,它通过流动性稳定性影响评分(LSIS)定义了LP的功能重要性,LSIS是一个反事实指标,可以衡量如果LP退出市场的潜在退化。 这种组合方法提供了LP影响的更详细和现实的表征,超越了现有方法使用的二进制和经常误导性的分类。 这种以冲击为重点的综合方法使SILS能够准确识别高影响力LP - 包括传统方法错过的LP,并支持保护性神谕层和可操作的交易者信号等基本应用,从而显着增强DeFi生态系统。 该框架为潜在的流动性结构和相关风险提供了前所未有的透明度,有效地减少了常见的误报,并揭示了传统模型中发现的关键误报。 因此,SILS为主动风险管理提供了有效的机制,改变了DeFi协议如何保护其生态系统免受非对称流动性行为的影响。
在本次会议的贡献中,我们介绍了一些使用电流脉冲显示分数顺序行为的可切换记忆设备的初步结果。 在我们的模型中,假设状态变量的演变遵循一个涉及Caputo类型衍生物的分数序微分方程。 对焦耳损失的研究表明,最小化这些损失的最佳切换策略取决于分数衍生物的顺序和运动方程中的力量指数。 结果发现,当分数导数的顺序超过功率指数的一半时,最好的方法是采用宽脉冲。 相反,当未满足此条件时,通过施加零电流,然后施加最高允许幅度的窄电流脉冲,将焦耳损失最小化。 这些发现在多脉冲控制的背景下进一步探讨。 我们的研究为下一代节能神经形态计算架构的发展奠定了基础,这些架构更密切地模仿其生物对应物。
随着DRAM密度的增加,Rowhammer由于电荷泄漏增加而变得更加严重,减少了诱导位翻转所需的激活次数。 DDR5标准通过DRAM内每排激活计数器(PRAC)和警报关闭(ABO)信号来触发缓解来解决这一威胁。 然而,PRAC在预充阶段通过增加计数器来增加性能开销,并且恢复刷新会停滞整个内存通道,即使只有一家银行受到攻击。 我们建议PRACTical,一种性能优化的PRAC+ABO方法,保持相同的安全保障。 首先,我们通过引入集中的增量电路来减少计数器更新延迟,从而在其他子阵列中实现计数器更新更新和后续行激活之间的重叠。 其次,我们通过启用银行级粒度来增强RFM_ab缓解:而不是停滞整个通道,只有受影响的银行被暂停。 这是通过一个 DRAM 驻留寄存器来实现的,该登记册可以识别被攻击的银行。 PRACTical 性能提高 8
人工智能(AI)在开发6G网络方面发挥着关键作用。 虽然目前的规范已经将网络数据分析功能(NWDAF)作为负责提供有关核心信息的网络元素,但需要更全面的方法来实现5G尚未充分探索的网段自动化。 在本文中,我们介绍了自动无线电覆盖异常检测和评估(ARCADE),这是一种识别和诊断蜂窝接入网络中异常的方法。 此外,我们展示了网络分析的混合架构如何在向6G演进中发挥作用,可以增强AI在更广泛的网络环境中的应用,使用ARCADE作为这种方法的实际示例。
高效的宽带频谱传感需要对跨多个子通道的信号存在和类型进行快速评估和重新评估。 这些任务涉及多个假设测试,其中每个假设都作为包含计算密集型内核的决策树工作流来实现,包括FFT,矩阵操作和信号特定分析。 鉴于频谱环境的动态性质,在假设之间快速切换的能力对于保持低延迟,高通量运行至关重要。 这项工作假设了一个粗粒度的可重新配置架构,由一系列处理元素(PE)组成,每个元素都配备了本地指令存储器(IMEM),能够存储和执行频谱传感应用程序中使用的内核。 我们提出了一个规划工具,可以有效地将假设工作流程映射到该架构上,以实现以最小的开销实现快速运行时上下文切换。 规划者执行两个关键任务:将时间上不重叠的内核聚类聚类,在 PE 子阵列中共享 IMEM 资源,并将这些群集放置在硬件上,以确保高效的调度和数据移动。 通过将不同时活动到同一 IMEM 的内核进行预加载,我们的工具可以实现低延迟重新配置,而不会产生运行时冲突。 它将规划过程建模为多目标优化,平衡上下文交换机开销,调度延迟和数据流效率之间的权衡。 我们用48个并发子通道评估模拟频谱传感场景中的拟议工具。 结果表明,我们的方法将非芯片二进制取货减少了207.81x,将平均切换时间降低了98.24x,并且使每个子频段的执行时间比基线缩短了132.92x,无需预加载。 这些改进表明,智能规划对于适应下一代射频系统中快速变化的频谱环境至关重要。
物联网(IoT)设备的增强改变了自动化和连接性,但揭示了网络中的主要安全漏洞。 我们通过设计强大的入侵检测系统(IDS)来应对这些挑战,通过从NF-ToN-IoT v2数据集学习模式来检测复杂的攻击。 入侵检测通过数据集的丰富和高维特征具有逼真的测试平台。 我们将分布式预处理与快速梯度标志方法(FGSM)对抗攻击相结合,以模拟实际攻击场景和XGBoost模型对抗训练,以提高系统鲁棒性。 我们的系统达到95.3
系统响应能力(SR)被定义为系统响应用户控制的时间。 SR随时间波动,因此必须用平均值(MSR)和标准差(SDSR)进行统计描述。 在本文中,我们研究了虚拟环境中的SR(VE),概述了其组件和实验测量和操作方法。 然后介绍了MSR和SDSR对把握和放置任务性能的影响的三项研究。 这些研究分别使用了11名、12名和10名受试者的受试者设计。 结果显示,SDSR只有在超过82 ms的情况下才会影响性能。 放置需要更频繁的视觉反馈,并且对SR更敏感。 我们推断 VE 设计人员不需要严格控制 SDSR,并且可能希望根据所需的视觉反馈频率来改变 SR 控制。 这些结果可用于在广泛的交互式图形应用中改进人机界面,包括科学可视化,培训,心理健康和娱乐。
我们首次研究帧时间变化的影响,即平均帧时间和波动周期的偏差,对虚拟环境中的任务性能的影响。 选择是开放和闭环任务,是当前应用程序的典型任务,或可能在未来突出。 结果表明,在许多应用中被认为是可接受的帧时间,在相当广泛的周期内振幅的相当大的偏差不会显着影响任务性能。 然而,在帧时间通常被认为是沉浸式VR的最小值,帧时间变化确实会对闭环任务性能产生重大影响。 结果将适用于VE和沉浸式应用程序的设计者,由于VE中复杂性(图形和其他)的巨大波动,他们通常必须控制帧时间的变化。
自首次引入LLM以来,大型语言模型(LLM)在软件和测试开发中的使用继续增加,但直到最近,LLM的期望才变得更加现实。 验证LLM生成的代码的正确性是提高其实用性的关键,但尚未开发出全面和完全自主的解决方案。 当LLM被盲目地应用于问题而不花时间和努力验证其输出时,幻觉是一个主要问题,并且无法解释LLM的逻辑推理会导致信任其结果的问题。 为了应对这些挑战,同时也旨在有效地应用LLM,本文提出了双LLM系统(即生成式LLM和判别LLM)以及使用LLM进行大量编译器测试的实验。 我们尝试了一些具有不同参数计数的LLM,并使用我们在叙述中详细描述的十个仔细选择的指标提出了结果。 通过我们的发现,很明显,LLM具有生成高质量编译器测试并自动验证它们的潜力。
相位振荡器的网络可以作为密集的关联记忆,如果它们包含更高阶的耦合,超越经典的Kuramoto模型的成对相互作用。 在这里,我们引入了一个广义的Kuramoto模型,结合了第二谐波(配对)和第四谐波(四分法)耦合,灵感来自密集的Hopfield记忆理论。 使用均场理论及其动态近似值,我们获得了一个密集的关联记忆模型的相位图,该模型表现出一个三重临界点,在这个临界点上,记忆检索的连续开始被不连续的,歇斯底里的过渡所取代。 在夸特主导的制度中,该系统支持与存储内存模式对应的双表相锁状态,内存和不连贯状态之间存在相当大的能量屏障。 我们分析确定这个双表区域,并表明内存状态(由于噪声)的逃逸时间随着网络大小呈指数级增长,表明强大的存储。 将理论扩展到有限内存负载,我们表明高阶联轴器实现了具有系统大小的内存容量的超线性缩放,远远超过仅对向振荡器的极限。 振荡器网络的大规模模拟证实了我们的理论预测,证明了许多相位模式的快速检索和强大的存储。 这些结果将Kuramoto与现代Hopfield记忆的同步连接起来,指向振荡器系统中高容量,模拟关联记忆的实验实现。
这项研究研究了在电阻随机访问存储器(ReRAM)细胞中最小化焦耳损失的策略,这些细胞也被称为记忆设备。 通常,ReRAM细胞的结构涉及夹在两个金属电极之间的纳米级电阻开关材料层。 我们要问的基本问题是,将记忆设备从一个状态切换到另一个状态的最佳驱动协议是什么。 在理想记忆器的情况下,在最基本的情况下,最佳协议是通过在欧拉朗格奇方程的帮助下解决无约束的变异问题来确定的。 在记忆系统的情况下,对于相同的情况,使用拉格朗日乘数的方法找到最佳协议。 我们通过特定示例展示了我们方法的优点,并将我们的结果与具有恒定电压或电流的开关结果进行比较。 我们的研究结果表明,电压或电流控制可用于减少新兴存储器设备中的焦耳损失。
