加密数据上的深度神经网络

Nov, 2017

CryptoDL: Deep Neural Networks over Encrypted Data

Ehsan Hesamifard, Hassan Takabi, Mehdi Ghasemi

TL;DR本文针对深度神经网络访问隐私敏感的原始数据的问题，提出了一种基于同态加密方案的新技术，并将其应用于卷积神经网络中，使用多项式替代常用激活函数，成功地实现了隐私保护的预测，同时取得了非常高的精度和有效性。

Abstract

machine learning algorithms based on deep neural networks have achieved remarkable results and are being extensively used in different domains. However, the →

machine learning deep neural networks homomorphic encryption convolutional neural networks privacy-preserving

发现论文，激发创造

CryptoNN：在加密数据上训练神经网络

提出了一种名为 CryptoNN 的框架，该框架使用功能性加密方案来支持加密数据上的神经网络模型的训练，以解决神经网络模型训练过程中的隐私问题，并显示出与 MNIST 数据集上基线神经网络模型相似的准确性。

Apr, 2019

针对同态加密的 AlexNet 时刻：使用 GPU 对加密数据进行的第一个同态 CNN，HCNN

本文提出了一种使用全同态加密、卷积神经网络和图形处理器的高效隐私保护系统，用于在云端进行基于样本的模型推断，能够在保证数据安全的前提下实现高性能图像分类。

Nov, 2018

加密数据上的神经网络 (Crypto-Nets)

采用神经网络算法和全同态加密技术的云端安全预测服务，保护用户隐私信息且实现高准确性。

Dec, 2014

具有转移学习的隐私保护卷积神经网络训练

这篇论文提出了一种基于同态加密技术的隐私保护卷积神经网络训练的实现解决方案，并应用转移学习简化了 CNN 的训练问题。

Apr, 2023

使用同态加密敏感调整大规模 CNN，实现端到端的安全预测

本文提出了一种新的 HE-friendly 模型的训练方法，展示了如何使用 HC Layers SDK 运行加密样本，并证明该模型可以在保持高准确度的同时，大大节省运行时间；研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略，并且通过改编 CLIP 模型实现了安全的零 - shot 预测。

Apr, 2023

面向隐私保护深度神经网络的图像加密方案攻击

该研究针对深度神经网络中的图像应用提出了一种加密技术，并尝试通过选择明文和密文攻击来测试其安全性。

Apr, 2020

基于分片的密文同态加密数据的高分辨率卷积神经网络

本文介绍了一种基于 RNS-CKKS 同态加密方案的深度卷积神经网络（DCNNs）的加密评估方法，通过对图像进行简化且高效的同态评估，获得了高精度对高分辨率 ImageNet 数据集的评估结果，同时在 CIFAR-10 数据集上获得了最高的同态评估的 CNN 准确性。

Jun, 2023

用于加密数据的高效 CNN 建模块

本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用，针对现有文章只关注于数据安全而忽略模型参数的安全问题，以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题，基于 CKKS 算法，提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制，并在经典的 MNIST 数据集上进行了实现和测试，结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响，同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响

Jan, 2021

基于加性同态加密的深度神经网络用于非对称协作机器学习

本文提出一种不对称协作机器学习的实用方案，其中一方拥有数据，另一方仅拥有标签，提出了一种新的保护隐私的架构方案，可以有效地帮助两方合作训练深度学习模型。

Jul, 2020

低延迟隐私保护推理

该研究在机器学习应用到敏感数据时，结合同态加密技术和神经网络提供了两种解决方案，分别是提高深度和宽度相对较高的网络精度和降低网络推理的延迟时间以提供更好的隐私保障。这两种方案应用于几个计算机视觉任务，并获得了良好的效果。

Dec, 2018