基于云的机器学习服务（CMLS）使组织能够利用大量数据预先培训的先进模型。然而，使用这些服务的主要缺点是难以保持传输的数据私密和安全。不对称加密需要在云中解密数据，而同性恋加密通常太慢并且难以实现。我们提出了一种通过去卷积（OWSD）的一种方式扰乱（OWSD），一种基于去卷积的加扰框架，其提供了在计算开销的一小部分处的同态加密的优点。当CMLS的输出向量足够大时，对多个图像数据集的广泛评估演示了OWSD实现接近完美分类性能的能力。此外，我们还提供了对我们方法的稳健性的实证分析。
translated by 谷歌翻译
我们考虑以持续的错误警报率（CFAR）学习检测器的问题。基于经典模型的复合假设检验解决方案对不完美的模型敏感，并且通常在计算上昂贵。相比之下，数据驱动的机器学习通常更强大，并产生具有固定计算复杂性的分类器。在许多应用中，学到的探测器通常没有CFAR。为了缩小这一差距，我们引入了CFARNET，其中损失函数受到惩罚，以在任何零假设的情况下促进检测器的类似分布。在具有一般高斯噪声的线性模型的情况下，渐近分析表明，经典的广义似然比检验（GLRT）实际上是CFAR约束贝叶斯风险的最小化器。合成数据和实际超光谱图像的实验表明，CFARNET导致近CFAR检测器的精度与竞争对手相似。
translated by 谷歌翻译