yq123456780-CSDN博客

原创基于隐语的VisionTransformer框架

ViT是基于Transformer的encoder架构，由输入embedding层、Transformer块以及分类层组成，其中，每个Transformer块包含一个多头注意力层和MLP块，MLP块又包含两个线性层和一个GeLU；主要结论：在Tiny-ImageNet数据集上，和基线ViT、MPCFormer、THE-X相比， MPCViT降低6.2×、2.9×和1.9×延迟，并且提高了1.9%、1.3%和3.6%的准确率。通常在较小的架构上，ViT的mlp_ratio取值2。

2024-06-26 20:55:19 749

原创组件介绍与自定义开发

隐语开放标准（SecretFlow Open Specification）是一系列适用于隐私计算应用的协议集合，包括数据、组件、节点执行、运行报告等协议。隐语生态各模块均遵守本标准。这些标准的制定和遵守确保了隐语系统的模块化和互操作性，使得不同组件能够在相同的框架下无缝协作。本课介绍了隐语开放标准、隐语组件列表、如何调用隐语组件以及如何新增隐语组件。了解隐语开放标准及其在隐私计算应用中的重要性。掌握如何通过多种方式调用隐语组件，灵活应用于不同场景。学会如何新增隐语组件，扩展系统功能，满足特定需求。

2024-06-24 21:28:20 631

原创 PPML入门/基于SPU机器学习建模实践

训练完成后，你可以使用SML的库函数来评估模型的性能，比如计算准确率、精确率和召回率等。总结来说，基于SPU迁移机器学习算法的实践学习过程包括学习SML基本语法、导入机器学习库、数据预处理、特征选择、模型训练和评估、模型优化等步骤。模型优化：如果模型性能不理想，你可以使用SML的库函数来进行模型优化，比如使用交叉验证、调整超参数等。你还可以使用SML的库函数来进行特征选择和模型集成等操作，以提高模型的性能。特征选择：在训练模型之前，你可能还需要对数据进行特征选择操作，以减少特征的数量并提高模型的性能。

2024-06-24 21:20:27 340

原创 SML入门/基于SPU迁移机器学习算法实践

训练完成后，你可以使用SML的库函数来评估模型的性能，比如计算准确率、精确率和召回率等。总结来说，基于SPU迁移机器学习算法的实践学习过程包括学习SML基本语法、导入机器学习库、数据预处理、特征选择、模型训练和评估、模型优化等步骤。模型优化：如果模型性能不理想，你可以使用SML的库函数来进行模型优化，比如使用交叉验证、调整超参数等。你还可以使用SML的库函数来进行特征选择和模型集成等操作，以提高模型的性能。特征选择：在训练模型之前，你可能还需要对数据进行特征选择操作，以减少特征的数量并提高模型的性能。

2024-06-24 21:16:20 344

原创密态引擎SPU框架介绍

• 构建安全sklearn-like机器学习库。2.WHY SPU – 为什么需要隐私计算。• 生物识别信息: 人脸, 声音, 基因组。3.WHY SPU – 隐私计算的技术路线。4.WHY SPU –加密计算的问题和挑战。1.WHY SPU – 隐私计算是什么。• 金融信息: 收入, 消费, 贷款。• 易用性差 – 类型简单、算子底层。• 性能好 – 编译器运行时协同优化。3.现状和展望 – 构建加密计算生态。• 易用 – 原生AI框架支持。(2).复用AI编译器部分优化。(2).我们需要 - SPU。

2024-06-24 21:11:00 367

原创 XGB算法与SGB算法开发实践

2. 模型训练与评估：教程提供了使用树模型的步骤，涵盖数据准备、训练、参数设置、执行、评估等阶段。SGB用于预训练，模型保存和加载也是关键步骤，SGB支持模型保存，而SS-XGB目前尚不支持。开发实践中需要注意数据准备、模型定义、超参数调优、模型训练、模型评估和模型保存等环节，以获取最佳的模型效果。通过SS-XGB和SGB等算法的应用，以及模型训练与评估的实践指导，展示了提升模型性能和数据利用的有效途径。基于纵向数据集的决策树模型，包括纵向树模型与纵向联合建模，强调其在提升AUC和数据价值上的优势。

2024-06-24 21:02:06 288

原创逻辑回归LR与广义线性模型GLM开发实践

例如，对于二分类问题，如果数据的分布符合二项分布的假设并且计算资源有限，逻辑回归可能是一个更好的选择。中，对数线性模型是一类重要的模型，其中最著名的两个成员是逻辑回归和广义线性模型（GLM）。此外，对于需要同时处理分类和回归问题的情况，我们可以考虑使用一种称为“广义线性混合模型”的方法。这种方法结合了GLM的灵活性和混合模型的强大功能，允许我们在同一框架内处理各种类型的数据和问题。最后，无论我们选择逻辑回归还是广义线性模型，理解它们的数学原理、熟悉其实现细节以及掌握其调参技巧都是非常重要的。

2024-06-14 23:26:06 313

原创基于隐私保护的机器学习算法介绍

在隐私保护的机器学习实践中，我们可以结合差分隐私、同态加密等技术对神经网络算法进行改进和优化，以实现在保护数据隐私的同时提高模型的性能和准确性。因此，如何在保证机器学习算法性能的同时，实现数据的隐私保护，成为了一个亟待解决的问题。隐私求交则是一种在保护隐私的前提下寻找两个数据集交集的技术，它可以在不暴露原始数据的情况下实现数据的共享和比对。通过综合运用差分隐私、同态加密、密码学算法和联邦学习等技术手段，我们可以在保证机器学习算法性能的同时实现数据的隐私保护，为数据的安全共享和有效利用提供有力支持。

2024-06-14 23:19:39 440

原创 SecretFlow与Secretnote的安装部署

address='local'：表示启动一个本地的Ray节点。在第一台机器上部署Ray主节点，模拟参与方alice。在第一台机器上部署Ray主节点，模拟参与方alice。部署两个节点，分别模拟alice、bob两个参与方。部署两个节点，分别模拟alice、bob两个参与方。在第二台机器上部署Ray从节点，模拟参与方bob。在第二台机器上部署Ray主节点，模拟参与方bob。后台运行隐语docker容器。方式一：docker镜像。安装secretflow。本地docker镜像中心。资源：≥ 8核16GB。

2024-06-14 23:14:09 415

原创隐语架构概览

隐语分层架构设计，可以支持不同的技术路线，同时使得层内高内聚，层间低耦合，增强了开放性，不同技术路线的研究人员都可以在对应的层发挥自己的优势。支持多种可信执行环境的, 具备数据使用跨域管控能力的密态计算枢纽,可执行数据分析, 机器学习, MPC/FL加速等功能。2、算法层——高性能，易用的协议模块。4、资源层-KUSCIA。

2024-06-13 22:36:23 290

原创隐私计算开源如何助力数据要素流通

在第一阶段，数据平台方主要靠【主体可信】，往往是国有企业身份。但这是不够的，要逐渐从【主体可信】向【主体可信+技术可信】发展。可以通过数据空间技术+区块链技术实现。区块链技术主要用于数据使用记录的存证。如果数据被数据消费方拷贝走，让数据价值迅速降低；主要通过数据匿名化实现，比如手机号通过加盐+sha256等方式转为非明文。主要是通过数据转为密态计算来实现，隐私计算是解决这一问题的关键技术。数据平台方，是为了解决数据提供方和数据消费方的疑虑出现的。关键主体至少有3个：数据提供方、数据消费方、数据平台方。

2024-06-13 22:29:37 218

原创数据可信流通

企业和组织需要加强对数据安全的重视，建立完善的数据安全管理机制，包括加密传输、访问控制、监控审计等措施，确保数据在流通过程中的安全性和可信度。通过以上措施，可以有效地确保数据在不同系统、应用程序或组织间的传输和交换过程中的可信性、完整性和安全性，提高数据流通的安全性和可信度。持续更新和改进：定期审查和更新数据流通的安全策略和措施，及时应对新的安全威胁和风险，保持数据流通的安全性和可信性。数据授权和许可：对数据进行授权和许可管理，确保数据的合法性和可信性，防止非法使用和滥用数据。

2024-06-09 21:04:47 406 1

yq123456780的博客