Large Universe Subset Predicate Encryption with IND-CCA Security (with Constant-size Ciphertext and Keys)
本文解决了大域子集谓词加密方案中CCA安全性和密文及密钥大小问题，提出首个具有常量大小密文和密钥的大域CCA安全子集谓词加密方案。
0 citationsRead paper
Selected work
Representative Papers
QEmbed: A Deep Learning Based Cardinality Estimator for Efficient Query Processing
本文提出QEmbed，一种基于深度学习的基数估计器，通过混合编码方案和自回归框架解决高精度与内存效率平衡问题，提高查询处理效率。
0 citationsRead paper
LILA: Calibration-Free Structured Pruning of Large Language Models via Latent Spectral Geometry
LILA通过潜谱几何方法无校准地对大型语言模型进行结构化剪枝，解决了现有方法需要校准数据或辅助网络的问题，提高了零样本准确性和生成性能。
0 citationsRead paper
Revisiting the Weight Spectrum of the Affine Grassmann Code $C^{\mathbb{A}}(2,m)$
本文重新推导了仿射Grassmann码C^(A)(2,m)的重量谱，通过一种更简洁的方法，适用于所有m≥4和任意素数幂q，利用两个显式仿射子空间及其交集表达汉明重量。
0 citationsRead paper
A Broadcast Authenticated Encryption with Keyword Search in the Standard Model: Tightly Secure in Multi-User, Multi-Challenge Settings
研究提出一种在多用户、多挑战环境下具有广播认证加密及关键词搜索功能的新方案，并通过双线性配对群实现，保证了紧密安全性和高效性。
0 citationsRead paper
Recent publications
Latest Papers
Large Universe Subset Predicate Encryption with IND-CCA Security (with Constant-size Ciphertext and Keys)
本文解决了大域子集谓词加密方案中CCA安全性和密文及密钥大小问题，提出首个具有常量大小密文和密钥的大域CCA安全子集谓词加密方案。
0 citationsRead paper
QEmbed: A Deep Learning Based Cardinality Estimator for Efficient Query Processing
本文提出QEmbed，一种基于深度学习的基数估计器，通过混合编码方案和自回归框架解决高精度与内存效率平衡问题，提高查询处理效率。
0 citationsRead paper
LILA: Calibration-Free Structured Pruning of Large Language Models via Latent Spectral Geometry
LILA通过潜谱几何方法无校准地对大型语言模型进行结构化剪枝，解决了现有方法需要校准数据或辅助网络的问题，提高了零样本准确性和生成性能。
0 citationsRead paper
Revisiting the Weight Spectrum of the Affine Grassmann Code $C^{\mathbb{A}}(2,m)$
本文重新推导了仿射Grassmann码C^(A)(2,m)的重量谱，通过一种更简洁的方法，适用于所有m≥4和任意素数幂q，利用两个显式仿射子空间及其交集表达汉明重量。
0 citationsRead paper
A Broadcast Authenticated Encryption with Keyword Search in the Standard Model: Tightly Secure in Multi-User, Multi-Challenge Settings
研究提出一种在多用户、多挑战环境下具有广播认证加密及关键词搜索功能的新方案，并通过双线性配对群实现，保证了紧密安全性和高效性。
0 citationsRead paper