http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/197 2026-04-07T16:28:56Z 2026-04-07T16:28:56Z Jui-Te Wu 吳睿得 http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/84701 2023-03-19T22:21:15Z 2022-01-01T00:00:00Z

標題: 零樣本歌聲轉換與合成的統一模型; A Unified Model for Zero-Shot Singing Voice Conversion and Synthesis 作者: Jui-Te Wu; 吳睿得 摘要: 深度學習的最新進展不僅促進了零樣本歌聲合成和歌聲轉換任務的 實現，同時也提供了將這兩個任務統一為一個通用模型的機會。在本 文中我們提出了一個統一兩項任務的模型，可以從文本或音頻格式的 任意源歌唱內容生成任意目標歌手的歌聲。該模型結合了處理文本輸 入的詞源編碼器以及處理音頻輸入的聲源編碼器進行訓練，並透過以 動態規劃為基礎的自督導式學習，編碼器將會在訓練過程中學習如何 將音頻與音素進行最佳的對齊。這些編碼器也將音頻和文本數據分別 映射到一個相似的潛在空間中，使得歌聲轉換與合成兩項任務可以透 過同一個解碼器來完成。目標歌手的參考音檔被轉換成以幀為單位的 碎片化資訊，並透過注意機制來根據源內容進行提取與重構，這使模 型能夠在測試階段從文本或音頻源生成沒學習過的目標歌手的聲音。 客觀和主觀實驗都證實，所提出的模型表現超越過去最佳的任意歌聲 轉換與任意歌聲合成模型。; Recent advances in deep learning not only facilitate the implementation of zero-shot singing voice synthesis (SVS) and singing voice conversion (SVC) tasks, but also provide the opportunity to unify these two tasks into one gen- eralized model. In this paper, we propose such a model that can generate singing voice of any target singer from any source singing content in either text or audio format. The model incorporates self-supervised joint training of the phonetic source encoder and the acoustic source encoder, with an audio- to-phoneme alignment process in each training step, such that these encoders map the audio and text data respectively into a shared, temporally aligned, and singer-agnostic latent space. The target singer’s latent representations en- coded at different granularity levels are all trained to match the source latent representations sequentially with the attention mechanisms in the decoding stage. This enables the model to generate unseen target singer’s voice with fine-grained resolution from either text or audio sources during the inference stage. Both objective and subjective experiments confirmed that the proposed model is competitive with the state-of-the-art SVC and SVS methods.

2022-01-01T00:00:00Z 顧昱得 Yu-Te Ku http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/101689 2026-02-26T17:34:24Z 2026-01-01T00:00:00Z

標題: 隱私保護神經網路推論之優化方法; Optimization Methods for Privacy-Preserving Neural Network Inference 作者: 顧昱得; Yu-Te Ku 摘要: 本論文旨在提升隱私保護的深度神經網路（DNN）推論之可部署性，聚焦於解決主要的效率瓶頸，也就是非線性運算（例如 ReLU），同時維持可量化的安全性與隱私保證。第一條研究主線聚焦於第三代全同態加密（FHE），特別是 FHEW/TFHE。為了降低加密推論成本，我提出 FHE-Neuron，透過重新配置FHEW/TFHE 參數與 bootstrapping 的資料流，並採用動態密文精度切換，以取得更佳的準確度與延遲折衷。我也進一步發展一套 FHE-aware 的量化與微調框架，使預訓練模型能更適應加密執行環境，並減輕由精度限制與噪聲所引入的誤差。第二條研究主線提出 DP Protocol，這是一種受差分隱私啟發的協定安全性放寬定義，要求在相鄰輸入下，對手所觀察到的視圖分佈必須保持接近，從而能在可調整的隱私界限下達到更高效率。基於此概念，我設計一個伺服器輔助的兩方安全計算（2PC）推論協定：線性層由兩方以秘密分享方式計算；非線性運算則在「隱私增強」資料上以明文執行，而這些資料由加噪與秘密打亂所產生。我並以形式化方式證明該協定滿足 DP-Protocol 的保證。總結而言，本論文從加密執行與協定設計兩個面向推進實務可用的安全推論，並展示共同設計密碼機制、模型架構，以及誤差與隱私分析，能夠顯著提升隱私保護 DNN 推論的效率與可用性。; This dissertation improves the deployability of privacy-preserving deep neural network (DNN) inference by addressing the dominant efficiency bottleneck in nonlinear computation (e.g., ReLU), while maintaining quantifiable security and privacy guarantees. The first line of work focuses on third-generation Fully Homomorphic Encryption (FHE), particularly FHEW/TFHE. To reduce the cost of encrypted inference, I propose FHE-Neuron, which reconfigures FHEW/TFHE parameters and the bootstrapping dataflow, and employs dynamic ciphertext precision switching to achieve improved accuracy–latency trade-offs. I further develop an FHE-aware quantization and fine-tuning framework to adapt pretrained models to encrypted execution and mitigate precision- and noise-induced errors. The second line of work introduces DP-Protocol, a Differential Privacy–inspired relaxation of protocol security that requires an adversary’s view distributions to remain close for neighboring inputs, enabling higher efficiency under tunable privacy bounds. Building on this notion, I design a server-aided two-party computation (2PC) inference protocol in which linear layers are evaluated via two-party secret sharing, while nonlinearities are executed in plaintext on “privacy-enhanced” data produced by noise injection and secret shuffling. I formally prove that the protocol satisfies the DP-Protocol guarantee. Overall, this dissertation advances practical secure inference from both encrypted execution and protocol design perspectives, demonstrating that co-designing cryptographic mechanisms, model architecture, and error and privacy analysis can substantially improve the efficiency and usability of privacy-preserving DNN inference.

2026-01-01T00:00:00Z Pang-Cheng Wu 吳邦誠 http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/85054 2023-03-19T22:40:44Z 2022-01-01T00:00:00Z

標題: 針對記憶體受限裝置執行模式匹配的正規表達式分群演算法; Evolutionary Rule Balancer: A RegEx Algorithm for Memory-Constrained Devices to Perform Pattern Matching 作者: Pang-Cheng Wu; 吳邦誠 摘要: 模式匹配是各種重要應用程序的關鍵，例如在封包檢測，它偵測惡意封包以保護網絡。為了使應用程序更強大，我們可能需要在資源受限的設備上執行模式匹配。例如，嘗試在智能網卡上應用DPI，以使我們的服務能夠在短時間內處理更多的封包。但是，DPI的內存需求可能比 NIC 所擁有的記憶體量大得多。因此，我們嘗試將正規表達式 分群，讓每個運算資源只需要構建較小的自動機。 為了實現這個想法，我們設計了一種通用的分群算法，稱為Evolutionary Rule Balancer。通過合適的估計和評估函數，該算法能夠適用於各種自動機模型。整個系統由FA Engine、Matched String Generator、FA Size Estimator和Intelligent Optimization Algorithm組成。該算法是有效率的，因為我們透過估計自動機大小避免構造過多的資動機。另一方面，利用 RegEx 的嵌入模型，我們的做法也支持動態更新。根據實驗結果，對於在多個 NFA 上執行的模式匹配，Rule Balancer 可以獲得更好的結果。; Pattern matching is the key component of various important applications such as deep packet inspection, which detects malicious packets to protect our network. To make the applications be more stronger, we may need to perform pattern matching on resource-constrained devices. For instance, we try apply DPI on smart network interface card to make our service be able to handle more packets in a short time. However, the memory space requirement can be much larger than NIC have. Therefore, we try to divide RegExes into several groups and build smaller FA for each core. To realize the idea, we design a general grouping algorithm, called Evolutionary Rule Balancer. With suitable estimation and evaluation functions, the algorithm should be able to work for various FA models. The entire system consists of FA Engine, Matched String Generator, FA Size Estimator and Intelligent Optimization Algorithm. This method is efficient as we estimate FA size to avoid too many FA constructions and the entire algorithm supports dynamic update by utilizing RegEx Embedding Model. Our experiments show that for pattern matching performed on multi-NFAs, Rule Balancer achieves better results.

2022-01-01T00:00:00Z I-Ping Chou 周逸平 http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/80374 2022-11-24T03:05:22Z 2021-01-01T00:00:00Z

標題: 針對基因分析進行系統架構與效能優化，以開源醫學分析軟體bigsnpr 為例; Performance Optimization on Genetic Analysis A Case Study on bigsnpr 作者: I-Ping Chou; 周逸平 摘要: 自基因定序技術被發明以來，研究者與生物學家在基因組關聯分析上開啟了一個全新的紀元。隨著次世代定序技術的成長，基因資料的規模也隨之成指數成長。於此，分析基因關聯資料需要日益龐大的儲存空間以及巨大的計算能力，讓如何有效利用多種加速器以及合理的存取資料的重要性漸漸地浮出水面。以一個在台大醫學院使用bigsnpr程式庫所打造的基因分析應用為例，bigsnpr自資料前處理、SNPs篩選到統計分析，提供研究者們多種當前研究上常使用的分析工具，但是在一般電腦上對於由46萬個基因、8萬個樣本所構成痛風基因資料庫進行分析之時，超過三週仍未獲得結果，嚴重延誤該研究團隊的研究進度。 為了協助該團隊解決上述問題，本研究深入探討bigsnpr的內部架構與效能表現，並利用多種分析工具找出其效能瓶頸。我們發現，在缺失資料差補階段中所使用的bigsnpr函式snp_fastImpute()在進行平行計算的時候並未充分最佳化，導致在不同處理機核心上的計算工作之間必須進行大量的資料交換，而且該函式中所使用的XGBoost演算法應可利用GPU獲得更佳的效能。因此，我們提出幾種效能改進方案，分別針對CPU、GPU以及分散式系統提出了相對應的軟體架構。其中對應CPU的改進版本，在八核心的Intel處理機上成功達成6倍以上的效能提升；對應GPU的改進版本，在TitanV GPU上達成超過12倍的加速；在國家高速計算機中心的台灣杉二號上，以八個四核心的CPU節點執行我們的分散式版本時，可獲得超過20倍的速度提升，並且觀察到高擴展性(scalability)，因此能利用50個4核心的節點在一個小時內完成原版本在三週內無法完成的計算工作，大幅改善該研究團隊的進度。

2021-01-01T00:00:00Z