在这封信中介绍了一种差分驱动的双极化高增益堆叠式贴片天线。 采用两层堆叠的贴片来增加天线的阻抗带宽。 两个堆叠的贴片中的每一个都插入有四个短路柱，以增强天线增益。 为了验证所提出的设计，我们精心制作了原型并进行了测试。 天线的仿真和测量结果表明，对于小于-10 dB的差分反射系数，分数阻抗带宽大于19％，并且两个极化之间的隔离度较高（| Sdd21 |大于35 dB）。 两个端口的天线增益也高达11 dBi。 此外，在整个工作频带内，交叉极化电平低于-16 dB的情况下，在仿真和测量之间实现了辐射图的良好一致性。

学士学位论文代码：具有差异性私人更新的随机梯度下降 作者：Rayel Hardwarsing 数据集 BankNoteData.mat-钞票认证数据集 KDDCUPX.mat / KDDCUPY.mat-KDDCup数据集 mnist.mat-MNIST数据集 careerData.mat-占用检测数据集 数据加载功能 在此图中，我们找到了为随机梯度下降算法加载数据集的函数。 它们返回一个X矩阵，其中每一行是一个观测值，每一列是一个要素和ay向量，其中包含每个观测值的标签。 对于MNIST和KDDCup数据集，如本文所述进行随机投影。 SGD和有区别的私人SGD computeCost.m-根据一组观察值计算成本值 computeGradient.m-基于单个观测值计算梯度 laplace.m-为差分私有SGD生成拉普拉斯噪声矢量 SGD.m-标准随机梯度下降的代码 DPSGD.m-差分

差分隐私 差分隐私学习与集成 1.直观的解释 2.学术论文 2.1 调查 差分隐私的算法基础 差分隐私和应用 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私论文 SoK：差异隐私 2.2 课程 差异隐私研讨会，秋季 19/20 CSE 660 秋季 2017 cs295-数据隐私 隐私研究小组 CS 860-私有数据分析算法-2020年秋季 2.3 一些机制 集中差分隐私：简化、扩展和下限 2.4 2015-2019 年 CCS、S&P、NDSS、USENIX、Infocom 中的差异隐私（其中一些来自 2020 年） 民意调查 3. 视频 差分隐私的最新进展 II 差分隐私的最新发展 I 采样隐私放大与人一差分隐私 差分隐私：从理论到实践 4. 代码 4.0 代码实现DP算法 4.1 K-匿名算法 4.2 随机响应 4.3 拉普拉斯和指数机制 4

许多分组密码使用在F-22k上定义的具有低微分均匀性，高非线性度和高代数度的置换作为其S盒来提供混淆。 众所周知，对于F-2n上的函数，最低差分均匀性为2，并且达到该下限的函数称为近乎完美非线性（APN）函数。 但是，由于缺乏有关F-22k上APN排列的知识，通常选择差分4均匀排列作为S盒。 例如，当前认可的高级加密标准选择一种这样的函数，即乘法逆函数，作为其S盒。 根据最近对F-22k的差分4一致置换的调查，此类函数只有五个已知的无限族，并且大多数具有小代数度。 在本文中，我们应用强大的切换方法，以最优代数的程度在F-22k上发现了许多CCZ不等价的此类函数的无限族，其中任意正整数。 这极大地扩展了差分4均匀排列的列表，因此为S盒提供了更多选择。 此外，给出了本文获得的函数非线性的下界，这表明某些无限族具有很高的非线性。