我们建立了一个隐私保护的深度学习系统，在这个系统中，许多学习参与者对组合后的数据集执行基于神经网络的深度学习，而实际上没有向中央服务器透露参与者的本地数据。为此，我们重新回顾了Shokri和Shmatikov（ACM CCS 2015）之前的工作，并指出本地数据信息实际上可能泄漏给诚实但好奇的服务器。然后，我们通过构建一个具有以下特性的增强系统来解决这个问题：（1）没有向服务器泄漏任何信息；（2）与普通的深度学习系统相比，在合并的数据集上，精度保持不变。
我们的系统是深度学习和密码学之间的桥梁：我们将异步随机梯度下降结合加法同态加密应用于神经网络。我们表明，加密的使用给普通的深度学习系统增加的开销是可容忍的。
Privacy-Preserving Deep Learning via Additively Homomorphic Encryption
原文：https://www.cnblogs.com/lucifer1997/p/11243430.html