训练具有多个实体的机器学习模型，并且在没有直接数据共享的情况下，可以解决由于业务、法律或道德限制而受阻的应用。本文设计和实施了新的隐私保护机器学习协议，用于逻辑回归和神经网络模型。我们采用了两个服务器模型，在数据所有者之间进行数据密钥共享，由这两个服务器进行联合数据的模型训练和评估。现有方法中存在的低效和不准确的重要方法是使用 Yao 噪声电路来计算非线性激活函数的来源。我们提出了基于密钥共享的查找表的计算非线性函数的新方法，既提供了计算效率，又提高了准确性。此外，我们还提出了一种针对隐私保护机器学习的放宽安全措施的探索。我们认为，在计算过程中，虽然有关于查找表访问模式的一些信息被透露，但它仍然保持 epsilon-dX 隐私。利用这种放松可显著减少训练所需的计算资源。我们提出了针对这种放松安全范式量身定制的加密协议，并定义和分析泄漏。我们的评估结果表明，我们的逻辑回归协议比 SecureML 快 9 倍，神经网络训练速度比 SecureML 快 688 倍。值得注意的是，我们的神经网络在 15 个周期内在 MNIST 数据集上实现了 96.6% 的准确率，超过了以往在相同架构下准确率为 93.4% 的基准。

Mar, 2024

通过引入 TabConv 技术，本研究提出了一种基于表格的近似卷积方法，显著减少了卷积推理中的算术运算量，同时通过基于余弦相似度的优先掩码技术选择层级进行表格近似，从而保持了模型性能，并在多个常用 CNN 模型上进行了评估，实现了低计算量的推理。

Apr, 2024

利用全连接层内的浮点精度作为每个分区内的刚性稀疏性和量化，我们提出了将整个子网络映射到单个查找表（LUT）中的方法，并通过引入跳跃连接来解决梯度消失等挑战，从而显着提高延迟。

Feb, 2024

通过设计神经网络拓扑结构来直接映射高效 FPGA 实现的一种新方法。其中，硬件成本与神经元扇入呈指数级增长，通过使用稀疏和低比特激励量化来限制神经元扇入及减小逻辑深度和低 LUT 成本，可以实现具有高速低延时和高吞吐量的电路。应用于高能物理和网络入侵检测等任务，具有竞争性的准确性，每秒推断量可达数亿。

Apr, 2020

本研究探讨了利用组合电路高效实现非线性激活函数（如 SELU 和 tanh）的方法，在 MNIST、CIFAR-10 和 IMAGENET 基准测试中表现出很高的效率和精度，相比于 LUT / 存储器实现可以节省 3.13-7.69 和 4.45-8:45 的面积，能够分别在 5.14GHz 和 4.52GHz 的时钟频率下运行。

Sep, 2018

介绍了一种基于多方计算的机器学习服务（MLaaS）的方法，通过使用多项式逼近替换 ReLU 激活函数和采用单轮 MPC 协议进行评估，实现了在大型模型上快速准确的推理，从而保护客户数据隐私。

Jun, 2023

我们的研究主要关注于为容错量子计算架构开发激活函数的量子电路，重点在于最小化 $T$-depth。我们提出了 ReLU 和 leaky ReLU 激活函数的新实现，分别实现了恒定的 4 和 8 的 $T$-depth。借助量子查找表，我们还延伸研究到其他激活函数，如 sigmoid。通过调整量子比特的数量，我们能够定制精度和 $T$-depth，使得我们的研究结果在各种应用场景中更具适应性。这项研究对于提升量子机器学习的实用性和应用具有重要意义。

Apr, 2024

本论文提出了一种名为 Truth-Table Net（TTNet）的卷积神经网络结构，该结构通过设计解决了可解释性、形式验证和逻辑门转换等难题，并在多个数据集上显示出与决策树可比的可解释性、快速完整合规验证和可扩展的逻辑门表示。

Aug, 2022

提出了一种新颖的数字硬件上生成平滑非线性的算法，具有对称和非对称变体，实现为无乘法的整数 (和定点) 实现，适用于多种人工神经网络结构的激活函数，在硬件资源使用方面的结果表明，这些函数应该在 ANN 设计阶段考虑到其使用在边缘应用上。

Sep, 2021

我们提出了一种基于张量网络理论的电路编译方法（AMLET），通过精确构建特定的张量网络拓扑，可解决将任意经典向量加载到量子计算机所需的指数级电路深度问题。并通过对金融、图像、流体力学和蛋白质等领域的实际经典数据进行数值实验，证明相比指数级扩展的通用加载算法，所需电路深度通常要低几个数量级，进而为在量子计算机上加速经典工作负载带来积极影响。

Sep, 2023