XiaoMi-AI文件搜索系统
World File Search System有效率
superfl：具有效率和鲁棒性的联合学习隐私性
联邦学习（FL）完成了协作模型培训，而无需共享本地培训数据。但是，现有的FL聚合方法遭受了效率低下，隐私脆弱性和对中毒攻击的忽视，从而严重影响了模型培训的整体性能和可靠性。为了应对这些挑战，我们提出了Superfl，这是一种有效的两服务汇总计划，既可以保存又可以保护中毒攻击。两个半honest服务器S 0和S 1相互协作，带有Shuffle Server S 0负责隐私聚类，而分析服务器S 1负责稳健性检测，识别和过滤恶意模型更新。我们的计划采用了同质加密和代理重新加密的新型组合，以实现安全的服务器与服务器协作。我们还利用一种新型的稀疏矩阵投影压缩技术来提高通信效率并显着降低开销。为了抵制中毒攻击，我们基于可信赖的根，将降低维度降低和规范计算引入双过滤算法，以识别恶意模型更新。广泛的实验验证了我们方案的效率和鲁棒性。SuperFL达到了令人印象深刻的压缩比，范围从5-40 x，在不同的模型下，同时以基线为基准的可比较模型精度。值得注意的是，我们的解决方案在MNIST和CIFAR-10数据集中分别显示出最大模型的准确性不超过2％和6％，在特定的压缩比和恶意客户的存在下。
翼梢小翼固有效率的定义及讨论
摘要：推导出三个简单方程来定义“翼尖小翼的固有气动效率”，该效率与翼尖小翼的水平延伸和（相对）高度无关。通过此固有气动效率，可以快速比较翼尖小翼的纯气动形状，而与为某一飞机安装而选择的翼尖小翼尺寸无关。固有气动效率分 3 个步骤计算：步骤 1：将翼尖小翼带来的相对总阻力减少量转化为翼尖小翼仅对翼展效率因子的假定贡献。步骤 2：如果翼尖小翼也增加了翼展，则其性能将转化为不受翼展增加影响的性能。步骤 3：将翼尖小翼的诱导阻力减少量与水平机翼延伸进行比较。如果翼尖小翼需要比水平延伸长三倍才能实现相同的诱导阻力减少量，则其固有气动效率为倒数或 1/3。翼尖小翼指标的定义是根据文献输入计算得出的。为了进一步评估翼尖小翼，除了飞机阻力和燃油消耗的减少外，还估算了翼尖小翼引起的质量增加。
翼尖小翼固有效率的定义和讨论
摘要：推导出三个简单方程来定义“翼尖小翼的固有气动效率”，该效率与翼尖小翼的水平延伸和翼尖小翼的（相对）高度无关。该固有气动效率允许快速比较翼尖小翼的纯气动形状，而与为特定飞机安装选择的尺寸无关。固有气动效率分 3 个步骤计算：步骤 1：将翼尖小翼造成的相对总阻力减少量转换为翼尖小翼仅对翼展效率因子的假定贡献。步骤 2：如果翼尖小翼也增加了翼展，则其性能将转换为不受翼展增加影响的性能。步骤 3：将翼尖小翼的诱导阻力减少量与水平机翼延伸进行比较。如果翼尖小翼需要例如比水平延伸长三倍才能实现相同的诱导阻力减少，其固有气动效率是倒数或 1/3。定义的翼尖小翼指标是根据文献输入计算得出的。为了进一步评估翼尖小翼，除了减少飞机水平阻力和燃油消耗外，还估计了翼尖小翼引起的质量增加。