Md Khalid Syfullah
PulseAugur coverage of Md Khalid Syfullah — every cluster mentioning Md Khalid Syfullah across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
量子层有望提高VLM准确性并减少参数
研究人员探索了将量子层集成到视觉语言模型（VLM）中，以评估潜在的性能和安全增强。通过在LLaVA-OneVision框架中使用经典模拟的量子电路，研究发现插入量子层可以提高视觉空间推理任务的准确性。用量子层替换某些经典组件也显示出可训练参数的减少，尽管收益高度依赖于量子层的放置和类型。研究还调查了这些混合模型对各种攻击的鲁棒性，为量子组件在VLM设计中的最有效应用提供了初步见解。
-
量子机器学习在私有健康数据分析方面表现不一 · 追踪2个来源
研究人员探索了单元感知差分隐私量子机器学习（QML）在健康数据上的应用，并将其效用与多层感知机和逻辑回归等经典模型进行了比较。虽然QML在某些临床数据集上表现出更好的性能趋势，但在所有测试的隐私预算和队列中，它并未始终优于经典方法，尤其是在参与者数量较少的可穿戴数据上。该研究还证明了在嘈杂中等规模量子（NISQ）硬件（特别是IBM量子计算机）上进行推理的可行性，错误率极低。
-
基于LLM的拆分学习可实现隐私保护的心理健康数据分析
研究人员开发了一种新颖的模式感知拆分学习框架，旨在实现跨不同机构的心理健康调查数据的隐私保护分析。该方法利用大型语言模型LLaMA-3.2-3B-Instruct作为共享语义编码器，以协调不同的调查模式。该框架对LLM进行分区，允许客户端在本地保留原始数据，同时将密集计算卸载到服务器，从而最大限度地减少客户端处理并确保数据隐私。所提出的方法在有限的训练数据下表现出强大的性能，平均ANLS达到0.708，并在大多数情况下优于联邦学习。
-
新的隐私防御方法用于修剪视觉语言模型的视觉标记
研究人员开发了 QPriv-VL，一个旨在增强用于联邦学习等敏感应用的视觉语言模型（VLM）隐私的新框架。该系统在传输前智能地修剪视觉标记，从而降低数据传输成本并减少暴露私人信息的风险。QPriv-VL 使用动态阈值预测器（DTP），该预测器考虑问题相关性和特征敏感性，以选择性地保留重要的视觉数据，同时抑制潜在的敏感区域，在传输的标记少得多的情况下实现了具有竞争力的准确性。