通常，深度神经网络（DNN）修剪方法分为两类：1）基于重量的确定性约束和2）概率框架。虽然每种方法都有其优点和局限性，但有一系列常见的实际问题，例如试验和错误，以分析灵敏度和超参数来修剪DNN，这困扰着它们。在这项工作中，我们提出了一种新的单次，使用自适应连接分数（SNACS）称为减少神经网络的新型自动化算法。我们所提出的方法将概率修剪框架与基础重量矩阵的约束相结合，通过新的连接测量，在多个层面下，以利用两种方法的强度，同时解决它们的缺陷。在\ alg {}中，我们提出了一种基于自适应条件互信息（ACMI）的快速哈希估计器，它使用基于权重的缩放标准来评估过滤器和Preune不重要的连接之间的连接。为了自动确定可以修剪层的限制，我们提出了一组操作约束，该操作约束共同定义了深网络中所有层的上部修剪百分比限制。最后，我们为尺寸为测量其对后面的层的强度的滤波器来定义一个新颖的敏感性标准，并突出需要完全保护的严重过滤器。通过我们的实验验证，我们表明SNACS超过17倍最接近的可比方法，并且是跨三个标准数据集-DNN修剪基准测试的最新的单次修剪方法：CIFAR10-VGG16，CIFAR10-RESET56和ILSVRC2012-RENET50。

综合电路（IC）供应链的全球化已将大部分设计，制造和测试过程从单一的受信任实体转移到全球各种不信任的第三方实体。使用不信任的第三方知识产权（3PIP）的风险是，对手可能会插入称为硬件木马（HTS）的恶意修改。这些HT可以损害完整性，恶化性能，拒绝服务并改变设计的功能。尽管文献中已经提出了许多HT检测方法，但HT定位的关键任务被忽略了。此外，一些现有的HT本地化方法具有多个弱点：依赖黄金参考，无法概括所有类型的HT，缺乏可扩展性，低位置分辨率以及手动功能工程/属性定义。为了克服他们的缺点，我们通过利用图形卷积网络（GCN）提出了一种新颖的，无参考的HT定位方法。在这项工作中，我们将电路设计转换为其内在数据结构，绘制并提取节点属性。之后，图形卷积对节点进行自动提取，以将节点分类为特洛伊木马或良性。我们的自动化方法不会通过手动代码审查来负担设计师的负担。它以99.6％的精度，93.1％的F1得分和假阳性速率低于0.009％的速率定位特洛伊木马信号。