SCP-3334

项目编号：SCP-3334

项目等级：Thaumiel

特殊收容措施：SCP-3334-1的主实例需被储存于Site-15数据中心的数百个服务器硬盘中，次要远程副本则位于Site-19与Site-64。

加密形式的SCP-3334-1仅允许用于对美杜莎计划中发展出的机器学习模型进行训练与验证。其他任何涉及SCP-3334-1的访问请求需要SCP-3334的HMCL监督员——或在收容突破与美杜莎失效事件下MTF Mu-4（“调试器”）领队——的批准。禁止个人对未加密SCP-3334-1的直接访问。

封锁收容SCP-3334-1的服务器，其仅与本地站点数据中心连接。每两周，Site-15中的主拷贝应与其位于Site-19与Site-64的次副本通过存储媒介的物理传递同步。

SCP-3334-2副本需被储存于Sites 15、19、49、64、77、81的服务器硬盘。它们需以类似方式每周进行一次物理同步。尽管美杜莎计划被用在整个基金会的众多工具、例程与行动中，SCP-3334-2自身仅能通过美杜莎计划的软件即服务（SaaS）集中式分布模型¹进行本地访问。也就是说基金会内部客户端向美杜莎发送请求，然后美杜莎使用上述站点数据中心之一的SCP-3334-2进行本地处理，从而维持收容。

除了SCP-3334收容小队、美杜莎计划员工以及SCP-3334的HMCL监督员裁量许可的计划协作者这些授权个人，禁止对SCP-3334-2的直接访问。只要遵守视觉模因与认知危害（VMC危害）标准协议，允许SCP-3334-2的临时副本存在于本地台式电脑以开发美杜莎计划。禁止对SCP-3334-2任意元素的可视化。

基金会可拓展文件系统（FSFS）与scipDB：

+ SCP-3334收容的技术侧简概

SCP-3334-1与SCP-3334-2的实例保存在scipDB系统的软件表上，以确保SCP-3334-1的安全、完整与有效。scipDB系统是在数以千计的服务器上运行的，由内部研发用于储存大量敏感与有害的基金会内部数据的分布式noSQL多维度数据映射软件²。它是通过能抵御数据丢失、增加吞吐量的多服务器间数据复制，能检测错误的gossip协议以及能从错误中恢复数据的反熵默克尔树做到高可用性、高容错与高度可拓展的数据储存系统³。SCP-3334-1的特殊收容措施比起完整与有效更着重于安全，为此稍微容忍了SCP-3334-1的数据丢失或损坏以减少未授权访问的可能性——因此储存SCP-3334-1的scipDB表格配置成2这一低于默认值的备份因子且scipDB的某些一致性特性变得不可用了。SCP-3334-2的准确性与可用性对基金会的行动非常重要，它以使用标准备份因子与全部一致性特性可用的形式被储存。

基金会可拓展文件系统（FSFS）——一个数据读取与追加写入被优化以匹配美杜莎计划典型工作量的分布式去中心化文件系统⁴——将scipDB表格建立在文件的顶端。FSFS提供了文件级的256位AES加密这一对所有存储的SCP-3334实例激活以防止未授权访问的可选功能⁵。

3334-10-Kempelen协议：

+ 简概

分配五十个D级人员至SCP-3334以执行3334-10-Kempelen协议，若有需要应进行常规补充。唯一的要求是有有效的视力与知觉，适当暴露于人类文化与社会并对其有所认知。考虑到效率，要求SCP-3334收容小队人员至少能满足这些要求，否则其可能会在其他基金会计划中，特别是在之前的事故与测试这类项目中不起作用。

3334-10-Kempelen协议将由fMRI扫描仪监控的人类暴露于预期中的视觉模因与认知危害以确切核实其异常特性。预期中的VMC危害可由美杜莎计划标记或由基金会外场小队提交。被核实的VMC危害将被编入SCP-3334-1并用于美杜莎计划。D级人员在每次执行完10-Kempelen后将被施以记忆删除。

通过向SCP-3334-1自动添加训练与验证数据以解除3334-10-Kempelen协议与D级人员的使用的尝试导致了美杜莎失效事件，其中的事件3334-1值得注意。相反，基金会行动的规模致使将D级人员用作检测VMC危害的主要方式变得不可行。因此考虑到其当前人工核实用于美杜莎计划的潜在训练与验证数据的辅助用途维持协议。

美杜莎计划：

+ 美杜莎计划简概

美杜莎计划是基金会内部——分析部门作出的一项努力，目的是建立使用非异常、可理解的机器学习技术检测视觉模因与认知危害（VMC危害）的自动系统。

美杜莎计划当前用在基金会需要检测VMC危害的众多工具、例程与行动中。它们包括命令行型模因扫描程序，安纳西、尸罗与阿拉戈克基金会网络爬虫⁶，Giulianna图像分析软件，SCRAMBLE护目镜，[已编辑]与众多SCP异常的收容。

美杜莎计划使用先进的机器学习算法（当前是集成deep-Q循环神经网络）。高屋建瓴地说，该算法通过观看有标记训练样本——此处是来自SCP-3334-1的VMC危害与普通照片，调整自身做到辨别它们学习。经过训练后，它可观看新的样本并预测它们是否VMC危害。从这个角度看，它是个“弱AI”，可以在一特殊任务中自我提升而缺乏意识的概念。美杜莎计划不会运用或研发有感知的AI，即“强AI”——这样的研究超出了本计划的范围。

+ 美杜莎计划技术侧简概

生成的美杜莎单个神经网络图表。
图例：红（卷积）、橙（池化）、蓝（ReLu/Softmax）、紫（全连接）、绿（LSTM）

最初使用人工智能技术识别认知危害的努力大量集中在支持矢量机⁷，直至卷积神经网络⁸极大地提高了分类准确度⁹。考虑到对视频与非静态视觉认知危害的分析，长短期记忆（LSTM）层被添加使得网络能够循环。¹⁰。

对模因危害的检测被证明是更加困难的，因为它要求算法不仅能进行辨别，还要理解图像内容及其在概念上的关系。但结合过去的研究，深度强化学习¹¹最终实现了它¹²。深度强化学习理论上的灵活性使得在单个深度神经网络上同时检测视觉模因与认知危害变得可行，无需使用两个独立的程序——这一进展导致了卡珊德拉计划的出现，其最终变成了美杜莎计划（见附录3334-1）。

由于集成能减少方差与泛化误差预期，从而提高真实表现，美杜莎当前使用集成deep-Q循环循环神经网络。集成的每一网络又分出如图表所示的两个亚网络：一个策略网络与一个估值网络。策略网络有40层，估值网络有30层，dropout层被用于正则化。网络使用在探索与利用阶段使用$\epsilon$退火的$\epsilon$-贪心训练策略训练，权重使用随机梯度下降与反向传播法更新。更多超参数清单按需知密。

由于事件3334-1，输入将通过主成分分析与一个判定并移除对抗样本、阻止恶意篡改或美杜莎模型劣化的级联分类器进行预处理。

+ 美杜莎计划规程简概

对任一美杜莎模型超参数进行的小幅调整，包括但不限于：学习率、损失函数、激活函数、学习率衰减/动量参数、权重初始化、dropout正则化或神经网结构，应向美杜莎计划调整小队提议并得到检阅与许可。调整小队目前使用自动调整算法来决定这些超参数中的大部分。

对美杜莎模型算法根本性的大幅修改建议应以正式书面提案的形式向美杜莎计划负责人提交。这种修正案在正式执行前将被所有主要的美杜莎计划小队领队检阅并需要进行对其泛化误差置信界限的正式数学证明、全回归测试以及使用来自SCP-3334-1数据的十折交叉验证精确度检查。

每两周，当前的美杜莎机器学习模型需用来自SCP-3334-1的新训练数据重新训练，以保持其对最新VMC危害的跟进。此外，美杜莎计划小队将对模型进行全回归测试，包括使其在取自 SCP-3334-1、通过标准为99.9%的正确分类准确率的验证数据集上运行。如果新的模型通过，SCP-3334-2将被更新并适当备份，最后已知的功能性提交会像基金会内部代码库版本控制系统一样被标记。在两周一次的基础上对模型进行更多的再验证应经美杜莎计划负责人批准以避免模型的过拟合与真实表现的劣化。

活动美杜莎模型的表现将被监控以得到真实精确度。可取的操作精度将维持在99.9%。若精确度跌穿90%，将宣布一起美杜莎失效事件。此时，模型的参数将恢复至SCP-3334-2最后已知的功能性版本，代码库将恢复至最后的已标记提交。若问题不能立即解决，美杜莎计划小队应申请MTF Mu-4（“调试器”）。在服务持续中断的事件中，SCP-3334收容小队可申请将10-Kempelen协议提高至最多1000名D级人员作为美杜莎计划的临时补充。但考虑到在基金会行动中需要的VMC危害检测的数量与时间敏感性，以及公众生活中近乎无处不在的互联网的速度，美杜莎计划是一个重要的基础设施部件，其无限期中断的潜在后果是未知的。基金会自动VMC危害检测能力的缺失或不足可导致LV-0“掀开帷幕”情景，甚至在一起异常VMC危害大型收容失效或爆发事件中导致某一K级末日情景。

描述：SCP-3334是实行美杜莎计划必要的各种异常数据。

SCP-3334-1是通过10-Kempelen协议收集的15642920057份异常视觉模因与认知危害（VMC危害）的集合。这一数据集也使用数据增强技术人工地增广，包括对原始VMC危害的转换与翻译。大约90%SCP-3334-1被指定成训练数据，作为训练美杜莎计划中机器学习模型的样本使用。余下10%被保留为验证数据，用于预测真实精确度。图像被适当地识别为SCP-3334-1-#。

SCP-3334-2是美杜莎计划中神经网络模型使用的内部数值权重。这些权重决定了神经网络如何将给定的输入图像分类为危害与否，并会在训练与学习中被神经网络调整。机器学习研究的近期成果指出了在卷积神经网络中间层中的分层描述学习¹³，证明了SCP-3334-2有理由作为潜在的视觉模因/认知危害收容。

+ 附录3334-1

附录 3334-1：██/██/20██，根据近期在深度强化学习方面的新技术与其统一多种视觉危害分类的文献¹⁴，分析部门负责人命令将喀耳刻计划与奥丁计划统一成单个的卡珊德拉计划，以研发同时面向视觉模因与认知危害的自动检测系统。他们先前分散于SCP主数据库或异常物品列表的庞大VMC危害集合被结合成单个集，提供了共享的SCP-3334。

+ 附录3334-2

附录3334-2：██/██/20██，涉及位于Site-15的SCP-████的一起大型收容失效导致了██名研究员死亡或丧失行动能力，他们中的██人被分配于或隶属于卡珊德拉计划或SCP-3334的收容。卡珊德拉计划测试小队领队Dr. Tourres下落不明。资质人员的剧烈丧失致使基金会进行了前所未有的从外部公司与大学招聘的努力以恢复损失的人力资源与技术人才。

卡珊德拉计划负责人拒绝了初期一项内容是迁移整个卡珊德拉代码库至开源的Theano机器学习平台以促进大量新雇员的入职管理的建议。另外，其与基金会HR的讨论后，达成了为计划创立类似于现存的开源平台的，基金会所有的新机器库的妥协。其他无关的基金会计划采取了不同的方案，且为避免与当时已集成在它们中的一部分的开源的Apache Cassandra noSQL数据库混淆，卡珊德拉计划被重命名为美杜莎计划。

+ 附录3334-3

附录3334-3：由于美杜莎计划已经重复地达成99.99%的验证精确率，在小队领队们的推荐下，计划负责人Dr. Vuković决定撤消10-Kempelen协议。美杜莎网络转而直接添加其标记的VMC危害至自身的训练与验证数据池SCP-3334-1中——计划的利益相关者解释称网络已足够精确与鲁棒以容忍随后引入的微量标记噪声。

+ 事件3334-1

事件3334-1:██/██/20██当周，监控到美杜莎模型的真实精确度在几天内以警戒速度下降，同时收容失效与新VMC危害爆发的数量亦大致对应地增长。██/██/20██，真实精确度降至87%，宣布一起美杜莎失效事件。SCP-3334-2与代码库均恢复至上一检查点。然而即使在此次恢复后，真实表现仍然滞后。

美杜莎计划测试小队最先怀疑SCP-3334-1元素收集的自动操作，恢复10-Kempelen协议以人工检阅每个在自动策略实施后添加至SCP-3334-1的新VMC危害。检阅发现了大约15000张我妻由乃——一个日本动漫《未来日记》中的主要角色——的图像以多种方式并合至SCP-3334-1。尽管大部分都只有极其微弱的效果，它们几乎全部拥有异常模因。执行小队尝试调整神经网络将这一通常特征认知为特例，但发现网络无法识别这些实例。发生美杜莎失效事件的两天中，面对不可忽视的VMC收容突破与爆发数量攀升，分析部门负责人强烈要求给出一份状态报告。此时引入了机动特遣队Mu-4（“调试器”）。

集成神经网络后临时测量的分类精确度提高至约88%。最终，MTF Mu-4提议采用主成分分析并在美杜莎主分类器前放置一用于检测并移除恶意对抗样本的前置级联分类器。这一进展移除了污染美杜莎网络的对抗样本，恢复了其正常功能。审查潜在VMC训练与验证样本的10-Kempelen协议被恢复。

美杜莎失效事件导致了██起收容失效与████起各种规模的新VMC危害爆发。事件引发了约█.█万次记忆删除需求并造成████伤亡，其中包括███名基金会人员。失效事件使基金会损失了共计█.██亿美元，包括破坏、收容花费与受损的生产效率。在该次年度回顾中，O5议会要求分析部门提交为防类似中断美杜莎计划应实行的细节计划。

尽管存在极大的疑点，迄今基金会未能将事件3334-1归咎于任一GoI。

+ 事件3334-1相关的邮件通讯

发件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
收件人：Dean Ackermann [pcs.4um.ftm|nnamrekcad#pcs.4um.ftm|nnamrekcad]
主题：修复美杜莎

Dr. Ackermann：

你介意让Mu-4看一下美杜莎吗？这事很紧急。我们对现在的问题毫无头绪——当然我们习惯了对付异常，但现在的15k份3334-1卡通女孩实例让我的执行小队很困扰——网络能正确将它们识别为视觉模因异常，但却发现不了它们之间的共通点。那肯定是个很轻微的模因效应，但我确定这只是更大问题的征兆。

理论小队有人说你之前做过类似异常的收容工作，或许我们能在你这找回运气。

此致，
Dr. Vuković
美杜莎计划负责人

发件人：Dean Ackermann [pcs.4um.ftm|nnamrekcad#pcs.4um.ftm|nnamrekcad]
收件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
抄送：Mary Wang [pcs.4um.ftm|gnawm#pcs.4um.ftm|gnawm]
主题：回复：修复美杜莎

嘿Dr. Vuković，

这是优先事项了，毕竟其他计划和收容小队都交来美杜莎坏掉的票了。

很有趣。我猜你那搞理论的在说SCP-2223。我看到两个问题的相似性了，事实上我猜它们都是Celeramis干的（我们确定上一年的Mirai物联网恶意软件就是他们搞的，看来他们挺喜欢动画）。但是，我主要做传统算法而不是热门的深度学习。我会抄送给Mary让她看看，她在Google DeepMind干过所以应该知道些事。她也和我处理过2223，如果这也有关系的话。

此致，

Dean
MTF Mu-4 调试器

发件人：Mary Wang [pcs.4um.ftm|gnawm#pcs.4um.ftm|gnawm]
收件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
抄送：Dean Ackermann [pcs.4um.ftm|nnamrekcad#pcs.4um.ftm|nnamrekcad], Samhita Reddy [pcs.4um.ftm|ydderhs#pcs.4um.ftm|ydderhs], Achmed Hafizyar [pcs.4um.ftm|zifah#pcs.4um.ftm|zifah], Kelly Fitzgerald [pcs.scitylana|ztif#pcs.scitylana|ztif]
主题：回复：修复美杜莎

所有人：

天啊，什么乱七八糟的。我作为深度学习研究者从未想象过基金会会将那么多关键操作委托给像美杜莎那种易变的算法上。

我不太同意Dean，除了表面上的相似，它们完全是两个不同的技术问题。2223是彻头彻尾的异常，就算是像素级重建或者用SIFT¹⁵这种正常的东西都处理不了它。另一方面，“原型”深度学习AI很蠢，容易被愚弄。也许你的15k份图像是类似于2223，我不清楚，但我怀疑这一点，像那样的异常工程很费功夫而要做那么多图像？

实际上你的问题有一个完全科学的、非异常的解释，它被称为对抗图像（先说清楚，你在说的图像只是恰好是个异常模因）。让我附上Szegedy论文的一张图¹⁶。你和一个典型的卷积神经网络都会认同左边是校巴，本就该那样。但像中间展示那样在上面添加一些战略性噪声后，你会得到右图。它仍然是校巴，但现在大部分神经网络都会认为它是鸵鸟。简单的非异常把戏就能搞烂蠢笨如牛的深度神经网络。

长话短说，有人（这里我同意Dean，可能是Celeramis）故意输入垃圾来摆脱美杜莎的预测。你能注意到15k份奇怪图像的异常模因效应是极弱的。这些大体上“勉强算模因”的东西是设计来扭曲我们的决策边界并迷惑试图区分VMC与正常图片的网络的。不和你说那么多术语了，图像画了一堆橙色的苹果然后教小朋友说它们是橙子。

让我想一个更长期的解决方案。为此我会抄送给Achmed和Samhita。同时只要将网络复制粘贴几次然后做个集成，听起来容易得不像真的但那会减少方差，对付一些错误。现在是多少，85%来着？可能足够我们摆脱它或者让这次失效事件结束了。为此已抄送给你们执行小队的Dr. Fitzgerald。

Dr. Wang
AI部门，MTF Mu-4 “调试器” 特工

附件：

发件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
收件人：Mary Wang [pcs.4um.ftm|gnawm#pcs.4um.ftm|gnawm]
抄送：Dean Ackermann [pcs.4um.ftm|nnamrekcad#pcs.4um.ftm|nnamrekcad], Samhita Reddy [pcs.4um.ftm|ydderhs#pcs.4um.ftm|ydderhs], Achmed Hafizyar [pcs.4um.ftm|zifah#pcs.4um.ftm|zifah], Kelly Fitzgerald [pcs.scitylana|ztif#pcs.scitylana|ztif]
主题：回复：修复美杜莎

Dr. Wang：

非常感谢您Dr. Wang。我认为执行小队发现了那个解释很有帮助，我会让Dr. Fitzgerald马上实行您的建议。

我确实得承认美杜莎的稳定性离期望甚远，但恐怕我们现在没有其他选项了。互联网上有那么多东西要检阅，基金会又发出那么多请求，我们真的回不去过去仅仅将D级扔给那些VMC的日子。

此致，
Dr. Vuković
美杜莎计划负责人

+ 事件3334-2（发展中）

事件3334-2（发展中）：██/██/20██以来，美杜莎计划的真实精确度表现出不规律性，经常跌至低于最佳的99.9%，平均值约95%。特别是在04/██/20██，精确度跌破90%的阈值达到了惊人的71%，触发了一起美杜莎失效事件以及██起收容失效与███起VMC危害爆发，虽然它在第二天就恢复了并自此之后维持在90%以上。标准SCP-3334-2与代码库恢复无效，甚至使情况变坏。收容失效与VMC危害爆发数量的轻微上升已联系上这一劣化表现。虽然测试小队与MTF Mu-4已进行了积极的研究，表现下降的原因迄今未知。

+ 事件3334-2相关的邮件通讯

发件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
收件人：Mary Wang [pcs.4um.ftm|gnawm#pcs.4um.ftm|gnawm]
主题：回复：又是美杜莎

Dr. Wang：

抱歉再次打搅您，但您的小队有进展吗？分析部门的高层想要知道发生了什么。

此致，
Dr. Vuković
美杜莎计划负责人

发件人：Mary Wang [pcs.4um.ftm|gnawm#pcs.4um.ftm|gnawm]
收件人：Vladimir Vuković [pcs.scitylana|kuvv#pcs.scitylana|kuvv]
主题：回复：又是美杜莎

Dr. Vuković：

抱歉回迟了，因为Mu-4在跟进很多不同的SCP，但现在我们总有至少一个人调查这事。我们真的不能解决它。可能是外面的VMC类型已经彻底改变了，或者只是美杜莎那几百万个权重中的哪个稍微罢工了，或者那几打超参数中的一个应该再细调一下。你们是自动调整那些超参数的对吧？我想分析部门有人在研发那类东西但是对整个完整的神经网络来做的，那东西搞好了你们就可以再来一次试试看它能否摆脱隐藏在你们模型中的那些弯弯绕。如果我们这边有任何进展也会让你知道的。

我唯一担心的是你们学机器学习时的第一样东西，偏差-方差权衡。本质上说你们能让AI在实验室中表现得很好或者在现实世界表现得不那么糟，但鱼与熊掌不可兼得。总的来说你的模型越复杂，你就在以增加方差为代价减少偏差——模型越精细，越缺乏宏观认知。

每次我们在美杜莎上遇到问题或者想要提升它，我们的反应总是耗用更复杂的数学在鬼知道我们干过什么的东西上面来修复它。然后它就会哐叮哐叮地运行下去直到开始随机、不可预测地在所有真实的scip和真实的人依赖于它的现实世界中失败，就像04/██/20██那天那样。而我们越是将“原型”算法砸向它，这种事就越是会频繁发生。

Dr. Wang
AI部门，MTF Mu-4 “调试器” 特工

Footnotes

1. 此处的SaaS指让用户远程与一中央托管程序交互而非分布式独立副本相互交互。

2. Miyamizu, M., Vogel, S., Hsiao, C., et al. (2001). scipDB：一种用于基金会敏感数据与MCI危害的高可用性安全NoSQL数据库。《终端：SCP基金会期刊》, 10(34), 42-56. 摘自《SCP基金会研发数据库》。（记录号 2335245）

3. 收容专家可查阅《scipDB技术文档》获取更多细节

4. Hellian, F., Miyamizu, M., Vogel, S., et al. (1999). 基金会可拓展文件系统：建立基金会的云。《终端：SCP基金会期刊》, 8(24), 34-50. 摘自《SCP基金会研发数据库》。（记录号 3654253）

5. 收容专家可查阅《FSFS技术文档》获取更多细节

6. 译注：均命名自著名的蜘蛛。安纳西出自西非神话、尸罗出自《魔戒》、阿拉戈克出自《哈利波特》。

7. Goldberg, S., Recht, P. (1961). 安全识别认知危害的软间隔超平面特征工程。《终端：SCP基金会期刊》, 2(12), 10-23. 摘自《SCP基金会研发数据库》。（记录号 7453535）

8. 神经网络启发自大脑中的放电神经元，由许多由输入以及学习和调整自训练样本的众多参数决定激活与否的单元组成。卷积网络是在图像上滑动卷积核的特殊神经网络，相当适用于视觉应用。

9. Reddy, S. (1983). ReddyNet-7：神经认知机在检测视觉认知危害上的应用。《终端：SCP基金会期刊》, 4(34), 1-22. 摘自《SCP基金会研发数据库》。（记录号 8547364）

10. Reddy, S., Balasubramanian, R., (2015). 使用时间反向传播对SCP-████的收容。《终端：SCP基金会期刊》, 18(56), 46-61. 摘自《SCP基金会研发数据库》。（记录号 6356765）

11. 强化学习本质上是奖励算法好的行为、惩罚算法坏的行为。

12. Reddy, S., Hafizyar, A., Wang, M., et al. (2011). 使用deep-Q网络的语义分割检测视觉模因危害。《终端：SCP基金会期刊》, 15(73), 20-47. 摘自《SCP基金会研发数据库》。（记录号 4632532）

13. Simonyan, K., Vedaldi, A., Zisserman, A. (2013). 深入卷积网络：可视化图像分类模型与显著图。arXiv 预印本 arXiv:1312.6034

14. Vuković, V., Reddy, S. (2011). 使用深度强化学习与一种$\epsilon$-贪心方法检测多种类型的视觉危害。《终端：SCP基金会期刊》, 15(74), 35-67. 摘自《SCP基金会研发数据库》。（记录号 3755432）

15. 译注：指尺度不变特征变换（Scale-invariant feature transform），是用于图像处理领域的一种描述。

16. Szegedy, C., Wojciech, Z., Sutskever, S., et al. (2013). 神经网络的有趣特性。 arXiv 预印本 arXiv:1312.6199