XiaoMi-AI文件搜索系统
World File Search SystemAggregation
与恶意演员联合学习的安全多方聚集
摘要 - 填充学习（FL）是机器学习越来越流行的方法（ML），在培训数据集高度分布的情况下。客户在其数据集中执行本地培训，然后将更新汇总到全球模型中。现有的聚合协议要么效率低下，要么不考虑系统中恶意参与者的情况。这是使FL成为隐私敏感ML应用的理想解决方案的主要障碍。我们提出E LSA，这是FL的安全聚合协议，它打破了此障碍 - 它是有效的，并解决了其设计核心的恶意参与者的存在。与PRIO和PRIO+的先前工作类似，E LSA提供了一种新颖的安全聚合协议，该协议是由两台服务器构建的，该协议是在两台服务器上构建的，只要一台服务器诚实，捍卫恶意客户端，并且是有效的端到端。与先前的工作相比，E LSA中的区别主题是，客户不是交互产生加密相关的服务器，而是在不损害协议安全性的情况下充当这些相关性的不受信任的经销商。与先前的工作相比，这导致了更快的协议，同时还可以实现更强的安全性。我们引入了新技术，即使服务器是恶意的，在运行时的较小成本为7-25％，而对于半honest服务器的情况，通信的增加而言可以忽略不计。我们的工作改善了先前工作的端到端运行时，具有相似的安全保证的大幅度保证 - 单格聚集器ROFL最多305 x（对于我们考虑的模型），并最多分配了8 x。
elsa：与恶意演员联合学习的安全汇总
摘要 - 填充学习（FL）是机器学习越来越流行的方法（ML），在培训数据集高度分布的情况下。客户在其数据集中执行本地培训，然后将更新汇总到全球模型中。现有的聚合协议要么效率低下，要么不考虑系统中恶意参与者的情况。这是使FL成为隐私敏感ML应用的理想解决方案的主要障碍。我们提出E LSA，这是FL的安全聚合协议，它打破了此障碍 - 它是有效的，并解决了其设计核心的恶意参与者的存在。与PRIO和PRIO+的先前工作类似，E LSA提供了一种新颖的安全聚合协议，该协议是由两台服务器构建的，只要一台服务器诚实，捍卫恶意客户端，并且是有效的端到端。与先前的工作相比，E LSA中的区别主题是，客户不是交互产生加密相关的服务器，而是在不损害协议安全性的情况下充当这些相关性的不受信任的经销商。与先前的工作相比，这导致了更快的协议，同时还可以实现更强的安全性。我们引入了新技术，即使服务器是恶意的，在运行时的较小成本为7-25％，而对于半honest服务器的情况，通信的增加而言可以忽略不计。我们的工作改善了先前工作的端到端运行时，具有相似的安全保证的大幅度保证 - 单格聚集器ROFL最多305 x（对于我们考虑的模型），并最多分配了8 x。
DNA：精细颗粒类别发现的邻域聚集
从粗制的数据中发现细粒类别是一项实用且挑剔的任务，可以在对细粒度分析的需求和高注释成本之间弥合差距。以前的作品主要集中在实例级别的歧视上，以学习低级特征，但忽略了数据之间的半敏化相似性，这可能会预见这些模型学习紧凑的集群表示。在本文中，我们提出了DeNOCORE的邻域聚集（DNA），这是一个自我监督的框架，将数据的系统结构编码到嵌入空间中。特别是，我们检索了查询的k neart邻域，作为其积极的键，以捕获数据之间的语义相似性，然后从邻居那里汇总信息以学习紧凑的群集表示，这可以使细粒类别变得更加差异。但是，检索到的邻居可能会嘈杂，并且包含许多假阳性钥匙，从而可以降低学习式床的质量。为了应对这一挑战，我们提出了三个原则，以解决这些虚假的邻居以更好地表示学习。此外，我们从理论上证明我们框架的学习目标与聚类损失相同，该损失可以捕获数据之间的语义相似性以形成紧凑的细粒簇。在三个基准数据集上进行了广泛的例证表明，我们的方法可以检索更准确的邻居（准确性提高21.31％），并以较大的利润率（平均提高了三个指标的平均9.96％）。我们的代码和数据可在https://github.com/lackel/dna上找到。
基于区块链和同构加密
摘要：基于物联网（IoT）设备产生的数据的数据分析有望改善个人的生活质量。但是，确保IoT数据聚合过程中的安全性和隐私是一项非平凡的任务。通常，IoT数据聚合过程基于集中式服务器。然而，在分布式方法的情况下，很难协调几个不信任的政党。幸运的是，区块链可以在克服信任问题的同时提供权力下放化。因此，基于区块链的物联网数据聚合可能成为设计隐私系统设计的合理选择。为此，我们提出了Privda，这是一种基于区块链和同型加密技术的隐私数据合理方案。在拟议的系统中，每个数据消费者都可以创建智能合约并发布服务条款和请求的物联网数据。因此，智能合约将可以回答消费者的请求并选择一个聚合器的一个组潜在数据生产者组合在一起，其作用是使用同型计算计算小组请求的结果。因此，组级的聚合混淆了IoT数据，这会使单个物联网设备的敏感信息推断复杂化。最后，我们将提案部署在私人以太坊区块链上，并进行绩效评估。
沙尘效应对风电、火电聚集的光伏发电的影响
本文探讨了灰尘效应对光伏系统的影响，以及作为光伏、风电、火电和储能系统聚合器的电力市场代理的利润。储能确保套利和平滑光伏和风电的变化。市场代理打算在日前市场中获取投标，同时考虑到灰尘效应对光伏的影响。提出了一种支持决策系统的公式，该公式通过基于利润的机组组合问题通过随机规划方法解决，并考虑到虚拟发电厂的运行特性。光伏、风电和市场价格不确定性是从历史数据场景中得出的输入数据。案例研究展示了随机规划方法的优势，以及与将不确定性整合到储能系统调度建模和灰尘效应对利润的影响有关的见解。© 2020 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议 ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ) 开放获取的文章。
PETRA 将推出住宅屋顶太阳能聚合计划 CREAM
布特拉贾亚：能源转型和水资源转型部（PETRA）将推出社区可再生能源聚合机制（CREAM），这项举措旨在聚合住宅屋顶空间用于可再生能源发电，为当地用户提供绿色电力。这项举措将基于开放电网接入的概念实施，通过调整 2024 年 9 月推出的企业可再生能源供应计划（CRESS）计划。据 PETRA 称，CREAM 将允许房主将其屋顶空间出租或出租给第三方，然后第三方可以聚合多个屋顶来开发太阳能光伏（PV）发电系统。该系统将生产并向当地消费者供应绿色电力。“可再生能源开发商可以整合屋顶”空间，按照联邦政府的规定，
e LSA：与恶意演员联合学习的安全汇总
摘要 - 填充学习（FL）是机器学习越来越流行的方法（ML），在培训数据集高度分布的情况下。客户在其数据集中执行本地培训，然后将更新汇总到全球模型中。现有的聚合协议要么效率低下，要么不考虑系统中恶意参与者的情况。这是使FL成为隐私敏感ML应用的理想解决方案的主要障碍。我们提出E LSA，这是FL的安全聚合协议，它打破了此障碍 - 它是有效的，并解决了其设计核心的恶意参与者的存在。与PRIO和PRIO+的先前工作类似，E LSA提供了一种新颖的安全聚合协议，该协议是由两台服务器构建的，只要一台服务器诚实，捍卫恶意客户端，并且是有效的端到端。与先前的工作相比，E LSA中的区别主题是，客户不是交互产生加密相关的服务器，而是在不损害协议安全性的情况下充当这些相关性的不受信任的经销商。与先前的工作相比，这导致了更快的协议，同时还可以实现更强的安全性。我们引入了新技术，即使服务器是恶意的，在运行时的较小成本为7-25％，而对于半honest服务器的情况，通信的增加而言可以忽略不计。我们的工作改善了先前工作的端到端运行时，具有相似的安全保证的大幅度保证 - 单格聚集器ROFL最多305 x（对于我们考虑的模型），并最多分配了8 x。
上下文汇总，以主题为中心的个性化医学对话生成
在对话系统的领域中，产生的响应通常缺乏个性化。在医疗领域尤其如此，在医学领域中，研究受到可用的特定域数据以及建模医学环境和角色信息的复杂性的限制。在这项工作中，我们研究了用于个性化医学对话生成的大型语言模型的潜力。尤其是为了更好地汇总长期的对话性会议，我们采用以主题为中心的摘要来将核心信息从对话中的his-tory中提炼出来，并使用此类信息来指导conteralsation流动和生成的内容。从现实世界的远程医疗转化中汲取灵感，我们概述了一条全面的管道，其中包含数据处理，配置文件建筑和域的适应性。这项工作不仅强调了我们的技术方法，而且还分享了数据制备和模型构建阶段的蒸馏见解。
通过图卷积聚集对发育和脑部疾病的分类
基于图卷积的方法已成为图表表示学习的标准，但它们对疾病预测任务的应用仍然非常有限，这特别是在神经发育和神经发育生成脑疾病的分类中。在本文中，我们通过在图形采样中掌握聚合以及跳过连接和身份映射来引入Ag-Gregator归一化卷积网络。提出的模型通过将成像和非成像特征同时纳入图节点和边缘来学习歧视图形节点表示形式，以增强预测能力，并为基础的脑疾病的基础机械抗体提供整体观点。跳过连接使信息从输入功能直接流到网络的后期层，而身份映射有助于在功能学习过程中维护图的结构信息。我们根据两个大型数据集，自闭症脑成像数据交换（ABIDE）和阿尔茨海默氏病神经影像学计划（ADNI）进行了替补，以预测自闭症谱系障碍和阿尔茨海默氏症的异常。实验结果表明，与最近的基线相比，我们的方法的效率是几个评估指标的表现，分别在Abide和ADNI上的图形卷积网络上，分类的分类卷积网络分别获得了50％和13.56％的相关性改善。