这篇论文提出了一种新型的同态签密方案，专为卫星物联网环境设计。这篇是帮同学整理的，和本人研究方向无关。

术语术语数据集敏感样本在机器学习中，**敏感样本（Sensitive Samples）**通常指的是那些。这些样本可能包含某些关键信息或特征，使得模型在处理这些样本时表现出与处理其他样本不同的行为或性能。在分类问题中，敏感样本可能包括：：这些样本位于不同类别的边界上，对于确定分类边界具有重要影响。模型在处理这些样本时的表现往往决定了其整体性能。：在某些类别中数量较少的样本，由于数量有限，模型可能难

在本文中，我们进行了第一次关于调查机器遗忘引起的意外信息泄露的研究。我们提出了一种新的隶属推理攻击，它利用ML模型的两个版本的不同输出来推断目标样本是否是原始模型的训练集的一部分，但不在相应的未学习模型的训练集之外。我们的实验表明，所提出的成员推断攻击取得了较强的性能。更重要的是，我们表明，我们的攻击在多种情况下都优于对原始ML模型的经典成员推断攻击，这表明机器学习的遗忘学习可能会对隐私产生适得其

Transformer每次都听朋友聊到，虽然我目前的研究领域尚未包含这种架构，但是还是学习一下。。它于2017年由谷歌团队的论文提出，最初用于机器翻译，但后来彻底改变了自然语言处理领域，并扩展到图像、音频等多个AI领域。：自注意力 + 编码器 - 解码器，并行训练强但 O (n²) 复杂度，代表 GPT-4、LLaMA-2，适配通用 NLP / 多模态。：负责“理解”输入信息（如一句英文）。它通过

在本文中，我们进行了第一次关于调查机器遗忘引起的意外信息泄露的研究。我们提出了一种新的隶属推理攻击，它利用ML模型的两个版本的不同输出来推断目标样本是否是原始模型的训练集的一部分，但不在相应的未学习模型的训练集之外。我们的实验表明，所提出的成员推断攻击取得了较强的性能。更重要的是，我们表明，我们的攻击在多种情况下都优于对原始ML模型的经典成员推断攻击，这表明机器学习的遗忘学习可能会对隐私产生适得其

联邦学习是一种在保护数据隐私的前提下，允许多个参与方协作训练机器学习模型的框架。它主要有三种类型：水平联邦学习（Horizontal Federated Learning）、垂直联邦学习（Vertical Federated Learning）和联邦迁移学习（Federated Transfer Learning）。这三种方法都旨在在不共享原始数据的情况下，通过协作训练来提高机器学习模型的性能，同

在传统的深度神经网络中，随着网络层数的增加，梯度在反向传播过程中可能会变得非常小，导致网络难以训练，这就是梯度消失问题。这样，如果残差块中的卷积层学习到的是恒等映射（即输出与输入相同），那么整个块的输出将与输入相同，这使得网络可以更容易地学习到恒等映射。在深度学习中，数据通常以张量的形式进行表示和处理，而张量的维度则描述了数据在各个方向上的大小或者说是数据排列的方式。因此，通道的数量等于卷积核的数