离散余弦变换加密网络：在频域中扩展私有推理
原文中文，约500字，阅读约需2分钟。发表于：。本研究解决了现有全同态加密（FHE）在深度神经网络中实施的计算成本、延迟和可扩展性问题。通过引入DCT-CryptoNets，以频域学习为基础，显著降低了同态操作的计算负担，实现了更高效、可靠的加密推理，特别是在图像分类任务中，推理延迟减少至2.5小时，且加密精度的变异性也得到了有效降低。
该论文介绍了对Wilkie、Stonham和Aleksander的Recognition Device (WiSARD)和Weightless Neural Networks (WNNs)进行训练和推理的同态评估方法。WNN在性能上表现更好，准确性下降相对较小。他们开发了一个完整的框架，在经过加密训练后的MNIST数据集上获得91.7%的准确率，并在3.5小时内提升至93.8%。对于HAM10000数据集，经过1.5分钟的加密训练，准确率为67.9%，在1小时后提升至69.9%。该框架的速度提升了最多1200倍，准确率下降最多为5.4%。对于HAM10000数据集，准确率提升0.65%，速度比Glyph快60倍。同时，他们还提供了小规模加密训练的解决方案。
