由于DNN的出现，图像分类已经变成一项简单移动的任务。然而，对图像中包含的敏感信息有关的隐私问题依然值得关注。通过结合ML和密码学技术，本文对该问题提出了一种解决方案。特别地，FHE已经成为最有前景的解决方案，它可以在加密数据上执行计算。本文基于FHE提出了Residual Network的实现，它允许对加密图像进行分类并确保仅有用户可以看到结果。且相较于已有的研究，本文的实现大大降低了内存和计算

本文提出了CKKS的RNS变体。首先本文引入了一种新的密文模结构，该结构允许对分圆多项式进行RNS分解，并对每个RNS分量进行NTT转换，实际上就是近似模组成的模链。同时本文还提出了一种不需要RNS组合的近似模交换技术，即在密文在RNS表示下可以使用近似模交换技术变得到模交换后的结果。实际上可以看到，这里全部使用到了CKKS的核心概念，误差是明文的一部分，只要误差足够小就可以接受。

我是研究隐私计算方向的， 主要学习的领域是应用全同态加密对已有机器学习模型进行重写，即设计基于全同态加密的机器学习算法。在阅读论文的过程中，发现许多大佬应用SIMD型全同态加密技术实现了一系列的密态卷积运算、密态矩阵向量乘法运算和密态矩阵乘法运算），然后也算是随着这些算法的提出而逐渐成长起来的，所以这里对这些算法进行一些总结。本文不介绍这些算法的性能。长期更新中。。。。。。

随着隐私保护问题的出现，研究具有数据隐私保护的机器学习模型具有重大意义。由于FHE可以提供严格的数据隐私保护，因此基于FHE实现的安全模型推理具有显著的实用性。本文针对FHE评估卷积运算提出了一种有效的算法，可以实现无论卷积核大小，该算法的计算代价都保持不变，从而在各种卷积核下将运行时间改善12—46倍。将该FHE卷积运算算法与CKKS的自举算法结合，可以在CIFAR10/100和ImageNet