不兼容的可观察物的存在是量子力学和量子技术中宝贵资源的基石。在这里，我们介绍了一种不兼容的度量，称为相互特征空间扰动（MED），该措施量化了通过在另一个人的特征范围内观察到的尖锐观察到的敏锐的干扰量。 MED是对尖锐可观察物的忠实衡量标准，并在von Neumann测量空间上提供了度量。可以通过使用称为量子开关的设置以无限期的顺序使测量作用来有效地估计。由于这些功能，MED可以用于量子机学习任务中，例如基于它们相互兼容性的量子测量设备。我们通过提供无监督的算法来证明这种应用，该算法将未知的von Neumann测量结果簇。我们的算法对噪声非常强大，可用于识别具有大致相同测量环境的观察者组。
translated by 谷歌翻译
The monograph summarizes and analyzes the current state of development of computer and mathematical simulation and modeling, the automation of management processes, the use of information technologies in education, the design of information systems and software complexes, the development of computer telecommunication networks and technologies most areas that are united by the term Industry 4.0
translated by 谷歌翻译
$ k $ -means和$ k $ -median集群是强大的无监督机器学习技术。但是，由于对所有功能的复杂依赖性，解释生成的群集分配是挑战性的。 Moshkovitz，Dasgupta，Rashtchian和Frost [ICML 2020]提出了一个优雅的可解释$ K $ -means和$ K $ -Median聚类型号。在此模型中，具有$ k $叶子的决策树提供了集群中的数据的直接表征。我们研究了关于可解释的聚类的两个自然算法问题。 （1）对于给定的群集，如何通过使用$ k $叶的决策树找到“最佳解释”？ （2）对于一套给定的点，如何找到一个以美元的决策树，最小化$ k $ -means / median目标的可解释的聚类？要解决第一个问题，我们介绍了一个新的可解释群集模型。我们的型号受到强大统计数据的异常值概念的启发，是以下情况。我们正在寻求少数积分（异常值），其删除使现有的聚类良好可解释。为了解决第二个问题，我们开始研究Moshkovitz等人的模型。从多元复杂性的角度来看。我们严格的算法分析揭示了参数的影响，如数据的输入大小，尺寸，异常值的数量，簇数，近似比，呈现可解释的聚类的计算复杂度。
translated by 谷歌翻译
在企业环境中检测恶意活动是一项非常复杂的任务，并且已经投入了很多努力研究其自动化的研究。然而，绝大多数现有方法仅在一个狭窄的范围内运行，这限制了它们仅捕获恶意软件存在证据的碎片。因此，这种方法不与如何通过域专家研究和描述如何研究网络威胁和描述的方式。在这项工作中，我们讨论了这些限制和设计了一种检测框架，该检测框架将观察到的事件与不同的数据源相结合。由于这一点，它提供了完全洞察攻击生命周期，并能够检测需要这种耦合的威胁，这些威胁来自不同遥控电梯的观察，以识别事件的全部范围。我们展示了该框架在企业网络中观察到的真正恶意软件感染的案例研究中的适用性。
translated by 谷歌翻译