该研究通过采用安全查找表的算法 Tabula，代替使用加密电路进行神经网络推断所需的非线性激活函数加密计算，以此降低了通信、存储和运行成本，并在安全神经网络推断时实现了显著的性能提升。

Mar, 2022

本文介绍了一种基于最简单的表查询散列算法提供出乎意料的强大性能的方案，详细论述了散列算法在实现简单性与理论保证上的一些权衡。

Nov, 2010

通过使用加密算法保护信息交换，以保护个人信息、维护隐私安全，同时通过密码分析攻击方法与破解加密算法进行评估和验证来识别弱点，针对各种应用需求，提供破解密码算法及安全维护技术。

Feb, 2024

本研究探讨算法领域的未来发展方向，重点关注数字计算机与非经典计算机并存的自然世界中的算法应用。

Jan, 2023

通过将敌对示例与 CAPTCHA 结合，生成能够欺骗深度模型的敌对 CAPTCHA，以解决安全性和可用性的权衡问题，本文分类方法并系统回顾生成敌对示例和敌对 CAPTCHA 的常用方法，并分析可用于防御敌对 CAPTCHA 的一些防御方法和潜在威胁，最后探讨了敌对 CAPTCHA 的未来研究方向。

Nov, 2023

通过计算机算法发现大量连分数公式，并揭示了保守矩阵场这一新颖数学结构，统一了现有的数学公式，生成了无穷多个新公式，并引发了不同数学常数之间的意想不到的联系，同时可以用于证明无理性定理。实验证明了大规模计算方法在攻克长期悬而未决的问题并发现不同科学领域之间的意外联系中的潜力。

Aug, 2023

本文调查了实代数几何算法理论的新、旧发展，主要涵盖关于真实数的一阶理论中的量词消除和计算半代数集拓扑不变量等问题，重点分析了这些算法的复杂性和背后问题的计算难度，并对一些近年来越来越受欢迎的半定规划数值方法进行了讨论。

Sep, 2014

提出了一种基于图的表格结构识别（TSR）任务和表格单元格类型分类（CTC）任务的多任务模型，通过使用文本模态和图像模态特征来同时解决这两个任务，旨在将电子文档中的表格数据转化为可机读格式，并为信息提取和解释提供布局和语义信息。实验结果表明，该方法在 ICDAR2013 和 UNLV 数据集上的性能优于现有的方法。

Aug, 2022

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

我们提出了 Enigma，这是一套专门为量子近似优化算法（QAOA）设计的隐私保护方案，通过转变 QAOA 的输入问题使得输出电路和结果对服务器来说是无法理解的。我们介绍了 Enigma 的三个变体，通过在不同层面上进行隐私保护来获得原问题的解决方案，并在 IBM 量子设备上评估了 Enigma 的性能。

Nov, 2023