机器学习

本文探讨了一种基于机器学习的方法，通过分析心脏磁共振成像中的原生T1映射辐射组学特征来分类肥厚型心肌病（HCM）表型。研究结果表明，这些辐射特征能够有效辅助HCM的诊断和治疗，为心肌病检测和分类提供了新的可能性。

本文详细介绍了加权集合覆盖问题（WSC），通过定义问题、说明解决方案及其在区块链和机器学习中的应用，探讨了优化资源配置的方法。利用贪心算法及SageMath进行算法实现，展示了如何在保持预算的情况下覆盖最大数量的项目，并探讨了与Karp约简的关系。

本文介绍了零知识机器学习（ZKML）的概念，并提出了一种新颖的低信息泄露证明决策树预测准确性的协议。主要包括零知识决策树预测协议和准确性协议，这些协议通过减小信息暴露来确保机器学习模型的预测完整性和准确性。同时，通过技术实现和评估表明，该协议在处理实际数据集时具有优越的效率。

这篇文章探讨了安全硬件（SH），特别是受信执行环境（TEE）在满足现代技术需求中的重要性。文章详细描述了许多行业当前对安全硬件的需求，特别是在金融交易、机器学习模型推理和安全委托等领域，同时指出了现有安全硬件的不足之处。通过阐述潜在的用例和技术挑战，作者呼吁设计适合新一代应用的硬件，以解决性能、安全性和功能性的平衡。

本文探讨了机器学习模型在隐私和透明性之间的平衡问题，介绍了零知识简洁非交互式知识论证(ZK-SNARKs)如何在不泄露模型权重的情况下证明模型正确执行。通过开源框架zkml，本文提供了利用ZK-SNARKs进行机器学习模型信任执行的具体示例，展示了该技术在社交媒体和医疗领域的潜在应用。

本论文探讨了使用机器学习方法改善对患有肥厚型心肌病（HCM）患者不良心脏事件的预测。研究发现，机器学习模型在预测这些事件方面优于传统风险分层，从而可能增强高风险HCM亚群体的识别能力。论文提出，这些现代方法可用于改善患者结果。

这篇文章宣布了zkml的开源发布，zkml是一个用于生成机器学习模型执行的零知识证明的框架。文章详细介绍了zkml的愿景、使用方法及其应用，包括信任审计、去中心化市场和隐私保护生物识别等。作者强调了zkml的高效性和优化能力，并展望了未来的发展方向。

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

Zama团队使用Concrete ML加速了同态加密（FHE）在机器学习中的应用，并成功超越了之前论文中的基准测试结果。他们通过改进编译器，分离了机器学习和密码学任务，并采用了MLIR框架，支持多种硬件加速器。实验结果表明，新的Concrete ML在执行速度上有了显著提升，例如NN-20模型比2021年的结果快21倍。

新加坡国立大学（NUS）的一组计算机科学学生在 TikTok TechJam 2024 上使用 Zama 的 Concrete ML 和全同态加密 (FHE) 技术，开发了一个广告服务系统，展示了 FHE 如何为在线广告开创一个尊重隐私的新时代。该项目名为 AnonymousAds，旨在保护用户隐私的前提下，实现个性化广告投放。

本文探讨了在刑事司法系统中对预测风险评估的伦理辩论，着重分析了使用机器学习预测犯罪行为的方式，讨论了预测与诊断的差异，以及如何通过因果推断更有效地理解和应对犯罪。文章指出，当前的伦理争议往往误导了我们，使我们忽视了犯罪干预和治疗的真正目标。

文章介绍了Numerai，一个匿名数据科学家通过机器学习模型预测股市的新型对冲基金，以及其创始人通过比特币支付匿名数据科学家的方式。文章还讨论了人工智能在金融领域的应用及其潜在影响。

本文介绍了通过零知识证明（ZKP）在区块链上进行机器学习推理的成本和性能研究，重点分析了不同ZKP系统在处理AI模型时的生成时间和内存使用情况，并探讨了相关应用场景。

本文探讨了在保护用户隐私的前提下改进机器学习应用的方法，重点介绍了同态加密和联邦学习在欺诈检测中的应用。文章讨论了使用同态加密对数据进行加密处理，然后在加密状态下进行机器学习模型训练和推理，以及利用联邦学习在不共享原始数据的情况下，通过多个参与方协作训练模型。