推荐系统已广泛应用于不同的应用领域，包括能量保存，电子商务，医疗保健，社交媒体等。此类应用需要分析和挖掘大量各种类型的用户数据，包括人口统计，偏好，社会互动等，以便开发准确和精确的推荐系统。此类数据集通常包括敏感信息，但大多数推荐系统专注于模型的准确性和忽略与安全性和用户隐私相关的问题。尽管使用不同的风险减少技术克服这些问题，但它们都没有完全成功，确保了对用户的私人信息的密码安全和保护。为了弥合这一差距，区块链技术作为推动推荐系统中的安全和隐私保存的有希望的策略，不仅是因为其安全性和隐私性突出特征，而且由于其恢复力，适应性，容错和信任特性。本文介绍了涵盖挑战，开放问题和解决方案的基于区块链的推荐系统的整体综述。因此，引入了精心设计的分类，以描述安全和隐私挑战，概述现有框架并在使用区块链之前讨论其应用程序和利益，以指示未来的研究机会。
translated by 谷歌翻译
深度神经网络（DNNS）在现代应用中被大量使用，并将能量构成设备投入了测试。为了绕过高能消耗问题，已在DNN加速器中采用了近似计算，以平衡准确的能量降低权衡。但是，近似诱导的精度损失可能很高，并且会大大降低DNN的性能。因此，需要一种细颗粒机制，该机制将特定的DNN操作分配给近似值以保持可接受的DNN精度，同时还可以达到低能消耗。在本文中，我们提出了一个自动化框架，用于重量到附属映射，以实现近似DNN加速器的正式属性探索。在MAC单位级别上，我们的实验评估在能源收益方面超过了$ \ times2 $的能源效率映射，同时还支持对引入近似值的更细粒度控制。
translated by 谷歌翻译
通用全波电磁溶剂，例如利用有限差分时域（FDTD）方法的全波电磁溶剂，用于计算模拟实际GPR问题的要求。我们探讨了基于机器学习（ML）架构的GPR近实时的近期模拟方法的性能。为了简化此过程，我们开发了一种能够自动生成这些ML的前向求解器的框架。该框架使用了一种创新的培训方法，该方法将预测性维度减少技术和大型数据集由我们的FDTD仿真软件GPRMAX进行了模拟的GPR响应。前向求解器针对特定的GPR应用程序参数化，但是框架可以以直接的方式扩展到不同的电磁问题。
translated by 谷歌翻译