离散余弦变换加密网络：在频域中扩展私有推理
内容提要
ENSEI是一个基于同态加密的安全推理框架，显著提高了卷积计算效率。实验表明，在线时间减少5-11倍，安装时间减少33倍，总推理时间缩短10倍。研究还探讨了同态加密在深度学习中的应用，并提出多种优化方案，以提升隐私保护和计算效率。
延伸解读
频域加密卷积的效率突破
ENSEI框架利用离散余弦变换在频域中执行同态卷积，避免了传统空间域卷积的高计算开销。实验显示，在CIFAR-10数据集上，其在线时间减少5-11倍，安装时间减少33倍，总推理时间缩短10倍，同时保持1%的准确率损失。这表明频域方法能显著提升同态加密推理的实用性，为隐私保护深度学习提供了新思路。
同态加密推理的多样化优化路径
文章列举了多个同态加密推理方案，如HyPHEN通过数据压缩和加密特定优化，将CIFAR-10推理延迟降至1.40秒；基于RNS-CKKS的方案在ImageNet上实现高精度评估；多项式变换器首次将HE用于安全推断。这些工作从不同角度优化计算和内存开销，共同推动了私有推理向实际应用迈进。
轻量级网络在加密数据上的优势
针对加密数据训练，Weightless Neural Networks (WNN) 展现出优于卷积神经网络的性能。在MNIST数据集上，加密训练准确率可达93.8%，且速度比现有方案Glyph提升最多1200倍，准确率下降仅5.4%。在HAM10000数据集上，甚至实现了准确率提升0.65%，同时速度快60倍。这表明轻量级网络更适合资源受限的加密计算环境。
Q&A
ENSEI框架的主要功能是什么？
ENSEI框架是基于同态加密的安全推理框架，旨在实现高效的同态卷积计算。
在CIFAR-10数据集上，ENSEI框架的性能提升如何？
在CIFAR-10数据集上，ENSEI框架的在线时间减少了5-11倍，安装时间减少了33倍，总推理时间缩短了10倍。
HyPHEN方案如何优化同态加密的计算效率？
HyPHEN方案通过数据压缩和加密特定优化来降低计算和内存开销，从而显著减少推理延迟。
同态加密在深度学习中的应用有哪些？
同态加密在深度学习中用于保护输入数据和模型参数，支持安全推理和隐私保护。
WNN在加密数据上的表现如何？
WNN在加密数据上的训练和推理表现优于卷积神经网络，速度提升显著，准确率下降较小。
如何提高同态加密推理的吞吐量和延迟？
通过优化设计选择，如密文打包策略和多线程并行化，可以提高同态加密推理的吞吐量和降低延迟。
