XiaoMi-AI文件搜索系统
World File Search SystemnHD
sqisignhd：密码学中的新维度
摘要。我们介绍了Sqisignhd，这是一种灵感来自SQISIGN的新的Quantum Digital Signature Sneps。sqisignhd利用了对SIDH攻击的最新态度突破，这允许有效地表示任意程度的同基因作为较高尺寸同等基因的组成部分。sqisignhd克服了sqisign的主要缺点。首先，它可以很好地扩展到高安全级别，因为Sqisignhd的公共参数很容易生成：基础字段的特征仅是表2 f 3 f'-1。第二，签名过程更简单，更有效。我们在28毫秒内采用C运行中实施的签名程序，与Sqisign相比，这是一个显着改善。第三，该方案更容易分析，从而降低了更具吸引力的安全性。最后，签名大小比（已经有纪录的）SQISIGN更紧凑，签名的签名小至109个字节，对于后Quantum NIST-1的安全性水平。这些优点可能是以验证为代价的，验证现在需要在维度4中计算一个同等基因，该任务的优化成本仍然不确定，因为这是很少关注的重点。我们对验证的实验性SAGEMATH实施在600毫秒左右运行，表明优化和低级实施后，维度4 iSEGEN的潜在Craplaphic ofgraphic兴趣。
sqisignhd：密码学中的新维度
摘要。我们介绍了Sqisignhd，这是一种灵感来自SQISIGN的新的Quantum Digital Signature Sneps。sqisignhd利用了对SIDH攻击的最新态度突破，这允许有效地表示任意程度的同基因作为较高尺寸同等基因的组成部分。sqisignhd克服了sqisign的主要缺点。首先，它可以很好地扩展到高安全级别，因为Sqisignhd的公共参数很容易生成：基础字段的特征仅是表2 f 3 f'-1。第二，签名过程更简单，更有效。我们在28毫秒内采用C运行中实施的签名程序，与Sqisign相比，这是一个显着改善。第三，该方案更容易分析，从而降低了更具吸引力的安全性。最后，签名大小比（已经有纪录的）SQISIGN更紧凑，签名的签名小至109个字节，对于后Quantum NIST-1的安全性水平。这些优点可能是以验证为代价的，验证现在需要在维度4中计算一个同等基因，该任务的优化成本仍然不确定，因为这是很少关注的重点。我们对验证的实验性SAGEMATH实施在600毫秒左右运行，表明优化和低级实施后，维度4 iSEGEN的潜在Craplaphic ofgraphic兴趣。
OpenHD：基于 GPU 的超维计算框架
摘要 — 超维计算 (HDC) 已成为深度神经网络的替代轻量级学习解决方案。HDC 的一个关键特性是高度并行，可以促进硬件加速。然而，以前的 HDC 硬件实现很少关注 GPU 设计，这也导致效率低下，部分原因是在 GPU 上加速 HDC 的复杂性。在本文中，我们提出了 OpenHD，这是一个灵活且高性能的 GPU 驱动框架，用于自动将包括分类和聚类在内的一般 HDC 应用程序映射到 GPU。OpenHD 利用专门针对 HDC 的内存优化策略，最大限度地缩短对不同内存子系统的访问时间，并消除冗余操作。我们还提出了一种新颖的训练方法，以实现 HDC 训练中的数据并行性。我们的评估结果表明，所提出的训练方法可以快速达到目标准确率，将所需的训练周期减少了 4 × 。借助 OpenHD，用户无需领域专家知识即可部署 GPU 加速的 HDC 应用程序。与最先进的 GPU 驱动的 HDC 实现相比，我们在 NVIDIA Jetson TX2 上的评估表明，OpenHD 在基于 HDC 的分类和聚类方面分别快了 10.5 倍和 314 倍。与 GPU 上的非 HDC 分类和聚类相比，由 OpenHD 驱动的 HDC 在准确度相当的情况下快了 11.7 倍和 53 倍。
EnHDC：受大脑启发的超维计算的集成学习
摘要 — 集成学习是一种经典的学习方法，利用一组弱学习器组成一个强学习器，旨在提高模型的准确性。最近，受大脑启发的超维计算（HDC）成为一种新兴的计算范式，已在人类活动识别、语音识别和生物医学信号分类等各个领域取得成功。HDC 模仿大脑认知，利用具有完全分布式全息表示和（伪）随机性的高维向量（例如 10000 维）。本文首次尝试在 HDC 的背景下探索集成学习，并提出了第一个集成 HDC 模型，称为 EnHDC。EnHDC 使用基于多数投票的机制协同整合多个基础 HDC 分类器的预测结果。为了增强基分类器的多样性，我们改变了基分类器之间的编码机制、维度和数据宽度设置。通过将 EnHDC 应用于广泛的应用，结果表明，EnHDC 的准确率比单个 HDC 分类器平均提高 3.2%。此外，我们还表明，具有较低维度（例如 1000 维）的 EnHDC 可以实现与具有较高维度（例如 10000 维）的基线 HDC 相似甚至更高的准确率。这使得 HDC 模型的存储需求减少了 20%，这是在低功耗计算平台上实现 HDC 的关键。