University of Maryland, College Park（马里兰大学帕克分校）

Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms

重新审视全同态加密下的机器学习训练：收敛保证、差分隐私与高效算法

Yvonne Zhou, Mingyu Liang, Ivan Brugere, Danial Dervovic, Yue Guo, Antigoni Polychroniadou, Min Wu, Dana Dachman-Soled

机构 * University of Maryland, College Park, MD（马里兰大学 College Park 分校） ； AlgoCRYPT CoE（算法密码学中心） 纠错

AI总结 本文首次对全同态加密下的机器学习训练进行理论收敛性分析，结合适用于加密计算的差分隐私训练算法，通过多项式近似激活函数和损失函数实现近似梯度下降的收敛，并采用无逐样本梯度裁剪的差分隐私机制提升计算效率。

Bio-Inspired Self-Supervised Learning for Wrist-worn Accelerometer Data

生物启发的自监督学习用于腕戴式加速度计数据

Prithviraj Tarale, Kiet Chu, Abhishek Varghese, Kai-Chun Liu, Maxwell A. Xu, Mohit Iyyer, Sunghoon I. Lee

机构 * College of Information and Computer Sciences, University of Massachusetts, Amherst, United States（信息与计算机科学学院，马萨诸塞大学阿默斯特分校） ； Google Health, Seattle, United States（谷歌健康，西雅图，美国） ； Department of Computer Science, University of Maryland, College Park, United States（计算机科学系，马里兰大学学院公园分校） ； Stevens Institute of Technology, Hoboken, United States（史蒂文斯理工学院，霍博肯，美国） 纠错

AI总结 提出基于运动子单元理论的令牌化策略，通过掩码重建预训练Transformer编码器，在六个HAR基准上超越现有自监督方法。