Shor算法是量子计算的核心，能够在多项式时间内分解大整数，威胁RSA加密的安全性。它通过周期查找和量子傅里叶变换，利用叠加态快速找到因子，显著优于经典计算方法。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究解决了传统公式因子挖掘方法中人类专业知识依赖和自动化方法效率低下的问题。通过将大型语言模型与蒙特卡罗树搜索相结合，提出了一种创新框架，该框架利用财务回测的量化反馈指导探索，从而提高了因子的预测准确性和可解释性。实验结果表明，该方法在挖掘阿尔法因子方面显著优于现有方法，具有更好的交易表现和更高的效率。

本研究解决了霍华德政策迭代算法在确定性马尔可夫决策问题中的运行时间仍为指数级这一问题。论文提出了一种新的方法，证明在带有固定位数奖励的情况下，霍华德政策迭代的运行时间可达到亚指数界限。其主要发现表明，该算法的性能显著提升，并拓展了其应用范围。

本研究提出了一种正交因子基础的双聚类算法（BCBOF），旨在解决高维数据的稀疏性和局部结构问题。该算法利用模糊规则进行股票价格趋势预测，实验结果表明其交易策略能够提升投资者的回报。

本研究解决了视觉领域泛化中的领域差距问题，该问题由风格变化引起，而图像内容保持稳定。提出的流因子化状态空间模型（DG-Famba）通过流因子化创新地映射样式增强的状态嵌入与原始状态嵌入，从而有效对齐潜在空间中的概率路径，使得无论风格差异如何，状态嵌入都能表示相同的内容分布。实验表明，DG-Famba在各种视觉领域泛化设置中展现了最先进的性能。

本研究解决了在含有未知因子的因子图中进行概率推理时的不足。提出的LIFAGU算法能够识别因子图中的不可区分子图，从而将已知潜在值有效地转移到未知潜在值，确保模型具有良好的语义，并支持提升的概率推理。此外，算法还结合了个体对象的组背景知识，以进一步减少潜在值转移的模糊性。

本研究针对长尾分布中目标检测模型面临的类别不平衡问题，提出了一种新的采样策略——指数加权实例感知重复因子采样（E-IRFS）。这一方法通过对图像和实例频率的几何均值应用指数函数，提升了对稀有类别的识别能力。结果显示，E-IRFS相比基线提升了22%的检测性能，特别是对于稀有类别的检测，展现了其在资源有限环境下实时监控应用中的潜在影响。

本研究提出了一种新型深度学习MRI去噪方法SNRAware，通过模拟高质量合成数据集和利用定量噪声分布信息，显著提升了去噪性能和模型通用性。在多种成像序列中，该模型表现优异，尤其在实时心脏成像和灌注成像中，信噪比分别提升6.5倍和2.9倍。

本研究提出AGAIN方法，解决了现有可解释神经网络在未知扰动下无法生成有效解释的问题。通过整合逻辑规则，AGAIN显著提升了可解释性和有效性，实验结果优于现有方法。

在数字化时代，双重因子认证（2FA）成为重要的安全手段，通过要求用户提供两种认证因素来提升账户安全性。常见的认证因素包括密码、手机验证码和生物特征。GitHub于2023年要求开发者在年底前启用2FA，以降低账户被盗风险。

该研究提出了一种统一框架，解决因果模仿学习中的隐性混杂因子问题，并引入新算法DML-IL，显著提升政策学习的准确性，实验结果优于现有算法。

本研究提出了TFBS-Finder模型，结合预训练的DNABERT和卷积网络模块，提高了转录因子结合位点的预测准确性，促进了基因调控网络的理解。

本文提出M因子指标，以解决神经架构搜索(NAS)方法在关注准确性时忽视模型效率的问题，更好地评估资源受限环境中的架构，特别适用于移动设备和边缘计算。

本研究探讨了因果与反因果方向上预测因子的差异，特别是在使用二元变量作为目标和两个连续变量作为预测因子的模型中出现的不对称性。结果显示，CMAXENT解决方案在因果方向上简化为逻辑回归，而在反因果方向上为线性判别分析（LDA），不同的决策边界对超出变量的泛化产生影响。