保存隐私的神经网络（NN）推理解决方案最近在几种提供不同的延迟带宽权衡的解决方案方面获得了重大吸引力。其中，许多人依靠同态加密（HE），这是一种对加密数据进行计算的方法。但是，与他们的明文对应物相比，他的操作即使是最先进的计划仍然很慢。修剪NN模型的参数是改善推理潜伏期的众所周知的方法。但是，在明文上下文中有用的修剪方法可能对HE案的改善几乎可以忽略不计，这在最近的工作中也证明了这一点。在这项工作中，我们提出了一套新颖的修剪方法，以减少潜伏期和记忆要求，从而将明文修剪方法的有效性带到HE中。至关重要的是，我们的建议采用两种关键技术，即。堆积模型权重的置换和扩展，使修剪能够明显更多的密封性下文并分别恢复大部分精度损失。我们证明了我们的方法在完全连接的层上的优势，其中使用最近提出的称为瓷砖张量的包装技术填充了权重，该技术允许在非相互作用模式下执行Deep NN推断。我们在各种自动编码器架构上评估了我们的方法，并证明，对于MNIST上的小均值重建损失为1.5*10^{ - 5}，我们将HE-SEAMABLE推断的内存要求和延迟减少了60％。
translated by 谷歌翻译
保留保护解决方案使公司能够在履行政府法规的同时将机密数据卸载到第三方服务。为了实现这一点，它们利用了各种密码技术，例如同性恋加密（HE），其允许对加密数据执行计算。大多数他计划以SIMD方式工作，数据包装方法可以显着影响运行时间和内存成本。找到导致最佳性能实现的包装方法是一个艰难的任务。我们提出了一种简单而直观的框架，摘要为用户提供包装决定。我们解释其底层数据结构和优化器，并提出了一种用于执行2D卷积操作的新算法。我们使用此框架来实现他友好的AlexNet版本，在三分钟内运行，比其他最先进的解决方案更快的数量级，只能使用他。
translated by 谷歌翻译
在这项工作中，我们探讨了叙事分析中通道间分歧的来源，鉴于文本中是否存在叙事情节的问题。为此，我们提出了一种将现有注释概念分解为两个单独级别的方法：（1）\ textbf {是否存在叙事图，以及（2）\ textbf {prot存在于文本中。我们将此方法应用于带有三个不同叙事绘图元素注释的句子的现有数据集：\ textit {homesisions}，\ textit {nesolution {nosolution}和\ textit {success}。然后，我们采用统计分析，以量化两个级别中的每个级别可以解释多少通道分歧。我们进一步对每个级别的分歧案例进行定性分析，观察几种分歧来源，例如文本歧义，方案定义和注释者之间的个人差异。在数据集上收集的见解可能有助于减少未来注释努力中的通道间分歧。最后，我们在研究和评估其他环境中研究和评估通知者分歧方面的潜在含义进行了更广泛的讨论。
translated by 谷歌翻译
GSPAN是一种频繁的子图的流行算法。CGSPAN（基于图形的基于图形的子结构模式挖掘）是仅用于填充封闭子图的GSPAN扩展。如果没有与G.具有相同的G.CGSPAN将早期终止修剪方法添加到GSPAN修剪方法中，同时将原始GSPAN步骤保持不变。CGSPAN还检测和处理不应用早期终止的情况。据我们所知，CGSPAN是第一个公开的封闭图挖掘实施
translated by 谷歌翻译