BriefGPT - AI 论文速递
·
离散余弦变换加密网络：在频域中扩展私有推理
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
该论文介绍了对Wilkie、Stonham和Aleksander的Recognition Device (WiSARD)和Weightless Neural Networks (WNNs)进行训练和推理的同态评估方法。WNN在性能上表现更好，准确性下降相对较小。他们开发了一个完整的框架，在经过加密训练后的MNIST数据集上获得91.7%的准确率，并在3.5小时内提升至93.8%。对于HAM10000数据集，经过1.5分钟的加密训练，准确率为67.9%，在1小时后提升至69.9%。该框架的速度提升了最多1200倍，准确率下降最多为5.4%。对于HAM10000数据集，准确率提升0.65%，速度比Glyph快60倍。同时，他们还提供了小规模加密训练的解决方案。
🎯
关键要点
- 该论文介绍了对WiSARD和WNNs进行训练和推理的同态评估方法。
- WNN在性能上优于卷积神经网络，准确性下降相对较小。
- 开发了一个完整的框架，MNIST数据集经过加密训练后准确率为91.7%，3.5小时内提升至93.8%。
- HAM10000数据集经过1.5分钟加密训练，准确率为67.9%，1小时后提升至69.9%。
- 该框架速度提升最多1200倍，准确率下降最多为5.4%。
- 对于HAM10000数据集，准确率提升0.65%，速度比Glyph快60倍。
- 提供了小规模加密训练的解决方案，使用不到200MB内存可在12分钟内训练1000多张MNIST图片。
➡️
