Glyph：在加密数据上快速且准确地训练深度神经网络

大数据是启用和训练深度神经网络（DNNs）的基石之一。由于缺乏专业知识，普通用户为从其数据中获益，不得不依赖并将私有数据上传给他们可能不信任的大数据公司。由于合规、法律或隐私限制，大多数用户仅愿意贡献其加密数据，而缺乏兴趣或资源参与云端的 DNN 训练。为以完全非交互方式在加密数据上训练 DNN，近期工作提出了一种基于全同态加密（FHE）的技术，通过基于 \textit{Brakerski-Gentry-Vaikuntanathan (BGV)} 的查找表实现神经网络中的所有激活函数。然而，这种低效的基于查找表的激活函数显著延长了隐私保护 DNN 的训练延迟。在本文中，我们提出 Glyph，一种基于 FHE 的方案，通过在 TFHE（环面上快速全同态加密）与 BGV 密码系统之间切换，在加密数据上快速且准确地训练 DNN。Glyph 使用对逻辑运算友好的 TFHE 实现非线性激活，而采用对向量算术友好的 BGV 执行乘累加（MAC）运算。Glyph 进一步在 DNN 训练中应用迁移学习，以提高测试准确率并减少卷积层中密文与密文之间的 MAC 运算次数。我们的实验结果表明，Glyph 在各种加密数据集上获得了最先进的测试准确率，同时将训练延迟相比先前的基于 FHE 的技术降低了 $99\%$。