sangge/hfe_knn
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
hfe_knn/README.md
sangge d58adda9ab Implement plain KNN classifier and testing infrastructure 
- 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>
2025-07-05 21:11:22 +08:00

1.2 KiB
Raw Blame History

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

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