全同态加密在隐私保护机器学习中的进展：硬件加速、算法优化与联邦学习集成

《IEEE Access》：Fully Homomorphic Encryption and Artificial Intelligence: A Review of Architectures, Optimizations, and Distributed Privacy

　　全同态加密（FHE）允许直接在加密密文上进行任意数学运算，而无需中间解密，为云计算和安全机器学习建立了一个基础密码学原语。然而，实际应用历来受到计算延迟、密文膨胀和内存带宽瓶颈的制约。为了解决这些瓶颈，本综述考察了四个关键领域的最新进展：（1）通过图形处理单元、现场可编程门阵列和专用集成电路进行硬件加速以降低延迟；（2）类似单指令多数据批处理的算法优化以最大化吞吐量；（3）用于评估非线性函数的隐私保护机器学习技术；以及（4）使用安全聚合的联邦学习集成。本综述明确划分了隐私保护机器学习（PPML）的操作边界：虽然加密推理在摊销延迟下评估预训练模型，使用静态明文权重对加密输入进行运算，但全同态训练要求动态加密的权重-激活乘法、多层梯度反向传播以及循环自举。加密推理中达到的吞吐量不能直接转移到端到端加密训练，因为存在乘法深度限制和循环自举。这些算法和架构发展共同为在严格加密保证下部署隐私保护机器学习系统建立了实用路径。