XiaoMi-AI文件搜索系统
World File Search SystemBoottrapping
基于机器学习的风险预测模型，以预测免疫异常的孕妇流产
方法：通过电子病历（EMR）收集了出现在四川省人民医院的免疫临床妊娠患者。数据分为训练集，测试集分别为8：2。进行了比较，以评估用于临床应用的传统怀孕风险评估工具的性能。该分析涉及评估临床治疗的成本效益，评估模型的性能并确定其经济价值。数据采样方法，特征筛选和机器学习算法用于开发预测模型。这些模型使用训练集的10倍交叉验证对这些模型进行了验证，并使用boottrapping进行了测试集的外部验证。模型性能由特征曲线（AUC）下的区域评估。基于最佳参数，开发了流产风险的预测模型，并使用Shapley添加剂扩展（SHAP）方法来评估最佳模型特征贡献。
堆：具有并行的引导
摘要 - 同构加密（FHE）是一种加密技术，具有通过对加密数据启用计算来彻底改变数据隐私的潜力。最近，CKKS FHE方案变得非常流行，因为它可以处理实数。但是，CKKS计算尚未普遍存在，因为它在计算和内存方面都是资源密集的，并且比未加密数据的计算要慢多个数量级。最新的算法和硬件优化可加速CKKS计算是有希望的，但是由于昂贵的操作称为Boottrapping，CKKS计算继续表现不佳。虽然已经做出了几项努力来加速自举，但它仍然是主要的性能瓶颈。这种性能瓶颈的原因之一是，与计算Boottrapping算法的CKK的非自举一部分不同，是固有的顺序，并且在数据中显示了相互依存关系。为了应对这一挑战，在本文中，我们引入了使用混合方案切换方法的加速器。HEAP使用CKKS方案进行非引导步骤，但是在执行CKKS方案的自举步骤时，请切换到TFHE方案。通过从单个rlwe密文中提取系数来表示多个LWE密文，从而向TFHE方案转变为TFHE方案。我们将自举函数合并到盲骨操作中，并同时将盲的操作应用于所有LWE密文。堆中的方法是硬件的不可知论，可以映射到具有多个计算节点的任何系统。随后可行地进行引导的并行执行是可行的，因为不同的LWE密文之间没有数据依赖性。使用我们的方法，我们需要较小的自举键，从而从键的主内存中读取约18×少量数据。此外，我们在堆中介绍了各种硬件优化 - 从模块化算术级别到NTT和盲核数据PATAPATH优化。为了评估HEAP，我们在RTL中实现了堆，并将其映射到一个FPGA系统和八型FPGA系统。我们对自举操作的堆的全面评估显示为15。与Fab相比， 39×改进。 同样，对逻辑回归模型训练的堆的评估显示了14。 71×和11。 与Fab和Fab-2实现相比， 57×改进。 索引术语 - ckks，tfhe，方案切换，自举，FPGA加速39×改进。同样，对逻辑回归模型训练的堆的评估显示了14。71×和11。57×改进。索引术语 - ckks，tfhe，方案切换，自举，FPGA加速