本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略，并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明，尽管同态加密可以为神经网络提供强大的数据隐私保证，但仍存在许多挑战需要解决，例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。
May, 2023
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
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。
Nov, 2017
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
使用全同态加密的方法实现神经网络的训练外包，以保护数据的机密性，可以在加密的数据上进行统一的训练，并学习量化的神经网络模型。数据可以在多个参与方之间进行水平或垂直分割，从而实现机密数据的合作。研究在多个数据集上训练逻辑回归和多层感知机。
Jan, 2024
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。
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
使用同态加密技术进行隐私保护的神经网络训练，扩展并结合现有技术，实现对三层神经网络的回归和分类问题进行训练。
Aug, 2023
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
本研究提出了一个名为 Phoenix 的系统，通过设计随机平滑的核心算法构建块的高效完全同态加密（FHE）对应项，使得可靠 NN 进行隐私保护的推理成为可能，并通过实验证明，Phoenix 在实现隐私保护的同时不会产生极高的延迟。
Oct, 2022