清华大学和香港科技大学的研究提出了一种新的加速器设计，解决多模态Transformer模型在硬件执行时的稀疏性问题。通过优化调度器、令牌修剪器和自适应网络，提高了计算效率，减少了延迟。多模态模型在视觉问答和图像描述等领域有广泛应用，未来将进一步推动AI发展。

本文介绍了一种拓扑简化优化方法，能够对标量数据进行分析和可视化处理。该方法通过优化保留“信号”持久对的过程，生成与原始标量场相似的输出场，并取消“非信号”对。该方法不仅限于峰值相关的持久对，还能处理其他拓扑特征。通过结合最新的泛化持久优化框架和定制化加速方法，该方法在大规模数据集上实现了显著的加速。同时，该方法支持通过简化的拓扑结构进行直接的可视化和分析。实验结果表明，该方法在纤维结构提取和修复表面处理中的层错误方面具有实际的改进效果。

本文提出了一个全面的路线图，从各种涉及的计算技术的角度建立可信任的图神经网络。介绍了可信任的图神经网络的六个方面的基本概念和现有研究，包括鲁棒性、可解释性、隐私、公平性、问责性和环境福祉，并强调了这些方面之间的关系。最后，对促进可信赖的图神经网络的研究和产业化的趋势进行了概述。

2023年龙蜥操作系统大会的圆桌讨论中，英特尔、AMD、Arm、海光和龙蜥社区的专家分享了机密计算领域的技术方向和发展路线，强调了开源的重要性。他们讨论了机密计算面临的挑战，认为未来在于开源、信任和用户教育。

随着政策鼓励与技术成熟，开源作为一种新型的生产方式、创新的协作方式，正逐渐渗入到千行百业，并在国家战略层面的得到了肯定和支持

据统计，90% 以上的应用都在使用第三方软件库，这些软件大部分都是开源的。与此同时，有超过一半的全球 500 强公司都在使用存在漏洞的开源软件。 本文主要介绍基于硬件 TEE 的 Java 机密计算安全防护方案。

据统计，90% 以上的应用都在使用第三方软件库，这些软件大部分都是开源的。与此同时，有超过一半的全球 500 强公司都在使用存在漏洞的开源软件。

机密计算通过在基于硬件的可信执行环境中执行计算的方式来保护使用中的数据。 Intel目前提供了以SGX SDK/PSW/DCAP, TDX DCAP软件包为代表的TEE基础架构支撑，和基于LibOS的运行时支持Gramine。