同态加密（HE）允许在密文上进行计算，避免敏感数据泄露。其核心概念始于1978年，2009年Craig Gentry首次实现全同态加密（FHE），被视为密码学的重要突破。FHE支持任意电路计算，近年来出现了BGV、BFV、CKKS等多种实用方案，推动了隐私计算的发展。

ChatGPT代理功能结合智能对话与深度研究，能够主动执行复杂任务。全同态加密（FHE）在私密互联网中展现潜力，支持在加密数据上进行计算。人工智能公司Anthropic未提前通知用户限制Claude Code的使用，引发不满。文章探讨AI模型的普适性，认为模型可能收敛于共享表示空间。NYPD通过消防局使用面部识别软件，引发隐私争议。

本研究提出了一种基于全同态加密的隐私保护协作反洗钱机器学习方法，解决了金融机构间的数据孤岛问题。通过引入图特征，XGBoost模型在反洗钱数据集上实现了99%以上的准确率，显著提升了预测性能。

本文研究了在保护隐私的情况下，如何利用梯度信息选择有利于模型训练的数据。提出了基于Shapley价值和信息增益的奖励方案，并探讨了结合差分隐私和安全多方计算的联邦学习方法，以确保隐私性与预测准确率。此外，研究了隐私保护机制在医疗数据挖掘中的影响，提出了基于全同态加密和标签差分隐私的交互式协议，以提高计算效率。

PV4FAD是一种新型解决方案，结合了全同态加密、安全多方计算、差分隐私和随机化技术，以平衡隐私和准确性，并防止模型部署时的推理攻击。

该文介绍了一种基于全同态加密和标签差分隐私的交互式协议，用于机器学习中的预测改进。实验证明，该方案比完全使用全同态加密操作的协议更快。

Zama是一家专注于全同态加密领域的初创企业，推出了三款产品：TFHE-rs、Concrete和Concrete ML。其中，Concrete ML仅支持量化后的模型推理。虽然Zama具有深厚技术背景，但在机器学习场景下，Concrete ML的能力存在局限性。商业模式需要进一步明确。