近年来，VOLE（向量不经意线性评估）被用于构造各种高效安全多方计算协议，具有较低的通信复杂度。最近的CipherGPT则是基于VOLE对线性层进行计算。

博客文章链接：A Gentle Introduction to Graph Neural Networks在这篇博客中，很多图都是交互图，可以由读者自行操作演示。非常感谢李沐老师在11月4日发的【论文精读】视频。本文是结合原文和李沐老师的讲解总结出来的。第一次看distill的文章，让我实在是很惊喜，李沐老师将在最后的评价部分评价distill的文章。在上图中，每一层都是一层网络，每一层的节点都受

sk和pk相乘得到2e（KeyGen时满足的条件），然后和r做内积得到一个很小的偶数噪声，最终的结果就是m+很小的偶数噪声，于是通过mod 2就能将噪声消除，得到解密结果m。到这里，通过LWE实现了很小深度的同态乘法和加法计算，key switching则是对每层用新的密钥，但是随着计算深度加深，噪声的扩大是爆炸性的，因此还不是一个levelled FHE（能计算指定深度的FHE）。）时，pk和p

文章目录一、直接卷积运算的缺点二、Padding三、两种卷积方式四、卷积步长Stride五、互相关（cross-correlation）和卷积（convolution）的技术说明一、直接卷积运算的缺点如果图像是n×nn\times nn×n，过滤器是f×ff \times ff×f，那么卷积运算的结果是(n−f+1)×(n−f+1)(n-f+1)\times (n-f+1)(n−f+1)×(n−f

已知：u=f(x,y)u=f(x,y)u=f(x,y)有二阶连续偏导数，计算∂2u∂x2−∂2u∂y2\frac{\partial^2 u}{\partial x^2}-\frac{\partial^2 u}{\partial y^2}∂x2∂2u​−∂y2∂2u​在新的坐标系下对应的表达式。{s=x+yt=x−y\left\{\begin{aligned}s & = & x...

这段时间在学习机器学习中有关不确定性和概率分布的知识，发现了VAE这样一个有趣的方向，想抓紧时间整理一下VAE的主要思想和方法，然后思考如何迁移应用到自己的研究方向上。从直观上理解VAE变分自编码器（Variational Auto-Encoders，VAE）是深度生成模型的一种形式（GAN也是其中一种），VAE是基于变分贝叶斯推断的生成式网络结构。传统自编码器是通过数值方式描述潜在空间的不同，而

准备工作分享协同链接和邀请时并不会出现问题，但是在接受邀请时会出现一些BUG，这里推荐挂VPN，在连接时会省去不必要的麻烦（网上的教程通常跳过了这个问题）。第一次需要挂VPN来加入协同文档，后面再进行操作时就可以不用了。邀请端关于文档格式我用的版本是office2019，同学用的office365，刚开始用的.doc，但是协同后插入公式遇到了障碍，后来用.docx解决了问题（也许是兼容性的...

RGB三维图像的卷积计算方法和二维卷积类似，从三维图像中划分出3×3×33\times3\times33×3×3的方块（称为卷积立方体），对这27个像素点进行卷积，即逐个元素与过滤器相乘求和，得到输出二维矩阵中的一个值。三维图像和过滤器可以有不同的高和宽，但是必须有相同的通道数。在RGB这个例子中，就是有R G B三个颜色通道（组成图像中的任意颜色）叠加过滤器试想一个问题，用前面的方法可以实现垂直

近年来，VOLE（向量不经意线性评估）被用于构造各种高效安全多方计算协议，具有较低的通信复杂度。最近的CipherGPT则是基于VOLE对线性层进行计算。

博客文章链接：A Gentle Introduction to Graph Neural Networks在这篇博客中，很多图都是交互图，可以由读者自行操作演示。非常感谢李沐老师在11月4日发的【论文精读】视频。本文是结合原文和李沐老师的讲解总结出来的。第一次看distill的文章，让我实在是很惊喜，李沐老师将在最后的评价部分评价distill的文章。在上图中，每一层都是一层网络，每一层的节点都受