sangge
d58adda9ab
- Add plain KNN implementation with JSONL data processing - Create Docker deployment setup with python:3.13-slim base - Add comprehensive OJ-style testing system with accuracy validation - Update README with detailed scoring mechanism explanation - Add run.sh script following competition manual requirements 🤖 Generated with [Claude Code](https://claude.ai/code) Co-Authored-By: Claude <noreply@anthropic.com>
33 lines
1.2 KiB
Markdown
33 lines
1.2 KiB
Markdown
# hfe_knn
|
||
|
||
全同态加密下的KNN算法实现
|
||
|
||
knn算法关键是使用一个距离函数来计算样本之间的距离，常用的距离函数有欧氏距离、曼哈顿距离等。
|
||
计算距离可以在全密文下实现。
|
||
主要是寻找一个全同态加密的比较大小方案
|
||
|
||
全同态加密计划使用TFHE-rs, 简化后流程无须交互，仅在单个程序内模拟即可。
|
||
评分详情见[参赛手册](./manual.md)
|
||
|
||
## 评分机制
|
||
|
||
### 正确率计算
|
||
- 算法需要返回10个最近邻向量的索引
|
||
- 正确率 = 正确的索引数量 / 10
|
||
- 例如：10个结果中有9个正确，正确率 = 90%
|
||
|
||
### 评分规则
|
||
- **门槛要求**：正确率必须≥90%（即10个结果中至少9个正确）
|
||
- **排名依据**：达到门槛后，按总耗时排名（越快越好）
|
||
- **淘汰机制**：正确率<90%直接得0分
|
||
|
||
### "正确"的定义
|
||
- 比赛方有标准答案（真实的10个最近邻）
|
||
- 算法结果与标准答案比较
|
||
- 顺序不重要，只要索引正确即可
|
||
|
||
### 数据格式
|
||
- 训练数据：JSONL格式，每行包含一个query向量和data数组
|
||
- 输出格式：`{"answer": [索引1, 索引2, ..., 索引10]}`
|
||
- 索引从1开始编号
|