继摩斯大模型跨域微调方向论文被顶级会议AAAI录取后，在被顶会录取的13000个投稿中，成功进入前4.6%，获得2025AAAI oral presentation资格。来自摩斯的代表，于近日在费城完成演讲。 摩斯的代表分析了当前离线调优方法所存在

近日，摩斯团队多位技术老师分别在TOP100案例峰会、2024CCF中国数字金融大会、2024开放原子开发者大会上发表演讲。围绕“隐私计算”、“营销业务”等话题，从摩斯密码库、隐私计算技术到摩斯隐私计算在营销场景应用、助力营销业务增长与数据合规等多方

近日，国际人工智能顶级学术会议AAAI 2025放榜，摩斯团队在大模型隐私微调方向论文被该会议录用！ 要让大模型适应各不一样的下游任务，微调必不可少。常规的中心化微调过程需要模型和数据存在于同一位置 —— 要么需要数据所有者上传数据（这会威胁到数据所

摩斯荣获“金创奖” “智领金融新生态，数绘未来新业态”，2024年12月12日“2024金融科技年会暨第十五届金融科技创新奖颁奖活动”落幕，摩斯凭借《摩斯隐私计算平台在金融场景的应用》案例，荣获“金创奖——数据技术与应用创新奖”。 本次“首都金融创

持续技术创新以领先的隐私计算技术打造营销科技底座！ 开篇 2024“金融密码杯”密码应用和技术创新大赛圆满落幕，摩斯荣获第二阶段赛事一等奖、创新赛三等奖。“金融密码杯”是国内金融行业规格最高的密码大赛，目标是汇聚高端人才、探索数字金融创新前沿、引

开篇 近日，第三十八届神经信息处理系统年会（NeurIPS 2024）特设官方赛——大语言模型隐私挑战赛（LLM-PC）落幕。摩斯联合浙江大学计算机体系结构实验室陈文智、魏成坤团队共9人组成了“Morse & ARCLab”参赛队伍，荣获该赛事全部两

如题所示，大概尝试了镜像、更新pip等多种方法，还是下载失败！显示error如下： 尝试另一种方法： 最开始的报错：

9月8号，为期3天的“2024 inclusion·外滩大会”在上海黄浦圆满落下帷幕。本届大会，共吸引了5.2万人到场参观，无论是参会规模还是国际嘉宾的数量都创下历史新高。 500位演讲嘉宾分别在1场开幕主论坛、36场见解分论坛上聚焦“ai产业新实

2024年6月17日，在中国信息通信研究院（以下简称“信通院”）组织的首批“面向大模型的增强型可信执行环境基础能力专项测试”中，蚂蚁数科摩斯顺利完成全部测试内容，成为首批完成此项测试的组织。 标准及测试介绍 《面向大模型训练与推理数据保护的可信执行

蝉联第一 8月2日，全球领先的IT市场研究和咨询公司IDC发布了《中国隐私计算平台厂商市场份额，2023》报告。蚂蚁集团凭借商用隐私计算平台摩斯（MORSE），以 35.3%的市场份额蝉联第一。 2023年，中国隐私计算平台市场以 12.8%的市场

摩斯获得“金鼎奖” 7月21日2024中国国际金融展闭幕式上揭晓本届大会“金鼎奖”，摩斯凭借隐私计算在金融行业营销和风控领域的数智化创新方案和规模化应用，获得“金鼎奖*优秀金融科技赋能业务创新案例奖”。 走进摩斯 摩斯作为国内最早开始布局隐私计算技

2024世界人工智能大会暨人工智能全球治理高级别会议（简称“WAIC 2024”）将于7月在上海世博中心、世博展览馆举行，论坛时间为7月4日-6日，展览时间为7月5日-7日。大会展览面积超5.2万平方米，重点围绕核心技术、智能终端、应用赋能三大板块

背景介绍 6月20日下午，“2024信通院数据智能大会”圆满落幕，摩斯技术负责人殷山在论坛上分享了摩斯在大模型隐私保护技术和行业应用的探索。 殷山发表“大模型隐私保护”主题演讲 摩斯技术负责人殷山在“数据智能安全主题论坛“上，带来“大模型隐私保护

只需要Python技术员 不是python不用加，主要方向是：神经网络，深度学习，数学计算，python代作业，爬虫 js逆向等等 按单结算 利润分成是7/3分成 技术拿7 不常看网页 有想法的可以直接联系我 vx：jiang1509565249 加

视觉Transformer在许多视觉任务上展示了卓越的性能。然而，它在浅层捕获局部特征时可能会面临高度冗余的问题。因此，使用了局部自注意力或早期阶段的卷积来减少这种冗余，但这牺牲了捕获长距离依赖的能力。一个挑战随之而来：在神经网络的早期阶段，我们是否能高效且有效地进行全局上下文建模？为解决这一问题，我们从超像素的设计中获得启示，这种设计通过减少图像基元的数量来简化后续处理，并在视觉Transformer中引入了超级令牌。

视觉变换器（Vision Transformers，ViTs）已被证明在各种视觉任务中具有高效性。然而，将其缩小到移动设备友好的尺寸会导致性能显著下降。因此，开发轻量级视觉变换器成为了一个重要的研究方向。本文介绍了CloFormer，这是一种利用上下文感知局部增强的轻量级视觉变换器。CloFormer探讨了在传统卷积操作中常用的全局共享权重与在注意力机制中出现的特定于token的上下文感知权重之间的关系，并提出了一种高效且简单的模块来捕获高频局部信息。

基础模型的核心理念是“更多即不同”，这一理念在计算机视觉和自然语言处理领域取得了惊人的成功。然而，Transformer 模型的优化挑战和内在复杂性要求我们向简约的范式转变。在这项研究中，我们介绍了 VanillaNet，这是一种追求设计优雅的神经网络架构。通过避免高深度、捷径以及自注意等复杂操作，VanillaNet 展现出简洁明了却功能强大的特点。每一层都经过精心设计，结构紧凑且直观，训练后去除非线性激活函数以恢复原始架构。VanillaNet 克服了内在复杂性的挑战，非常适合资源受限的环境。其易于理解

本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。在 Pascal VOC 和 SMID 数据集上，MLCA 相对于其他注意力技术更好地平衡了模型表示效果、性能和复杂度。

特征上采样是许多现代卷积网络架构中的关键操作，例如特征金字塔。其设计对于密集预测任务（如目标检测和语义/实例分割）至关重要。在这项工作中，我们提出了内容感知特征重组（CARAFE），这是一种通用、轻量且高效的操作符，以实现这一目标。CARAFE 具有以下几个吸引人的特性：（1）大视野。与之前的工作（例如双线性插值）仅利用子像素邻域不同，CARAFE 可以在大的感受野内聚合上下文信息。（2）内容感知处理。

CNN架构通常对内存和计算资源的要求较高，这使得它们在硬件资源有限的嵌入式系统中难以实现。我们提出了一种用于构建轻量级深度神经网络的双卷积核（DualConv）方法。DualConv结合了3×33 \times 33×3和1×11 \times 11×1的卷积核，同时处理相同的输入特征图通道，并利用组卷积技术高效地排列卷积滤波器。DualConv可以应用于任何CNN模型，例如用于图像分类的VGG-16和ResNet-50，用于目标检测的YOLO和R-CNN，或用于语义分割的FCN。