它的贡献不只是帮助我们认识这个领域有哪些代表性方法，更重要的是帮助我们建立起一套理解框架：隐私保护深度学习的核心，不是单纯把数据加密，而是在深度学习的整个计算链条中，针对不同类型的运算设计合适的隐私保护机制，并在安全、效率和精度之间找到平衡。同态加密的核心优势是，可以在数据加密的状态下直接进行计算，也就是说，服务器不需要看到明文数据，也能完成部分深度学习任务。从这篇文章的分析中，我们可以得出一个很

改进：结合 Bulyan、Trimmed Mean、Median、FLTrust、聚类式鲁棒聚合、后门检测或信誉权重机制，区分“正常异质性”和“恶意异常”。论文认为模型更新之间的欧氏距离不会泄露具体模型参数，但在小规模群体或高维几何信息充足时，距离矩阵可能暴露用户相似性、数据分布、异常身份等信息。改进：引入链上信誉、贡献度评估、隐私保护积分、零知识信誉证明，既奖励高质量贡献，又不公开用户真实身份和

撤销即直接进入到环境配置删除添加的内容即可。

改进：结合 Bulyan、Trimmed Mean、Median、FLTrust、聚类式鲁棒聚合、后门检测或信誉权重机制，区分“正常异质性”和“恶意异常”。论文认为模型更新之间的欧氏距离不会泄露具体模型参数，但在小规模群体或高维几何信息充足时，距离矩阵可能暴露用户相似性、数据分布、异常身份等信息。改进：引入链上信誉、贡献度评估、隐私保护积分、零知识信誉证明，既奖励高质量贡献，又不公开用户真实身份和

改进：结合 Bulyan、Trimmed Mean、Median、FLTrust、聚类式鲁棒聚合、后门检测或信誉权重机制，区分“正常异质性”和“恶意异常”。论文认为模型更新之间的欧氏距离不会泄露具体模型参数，但在小规模群体或高维几何信息充足时，距离矩阵可能暴露用户相似性、数据分布、异常身份等信息。改进：引入链上信誉、贡献度评估、隐私保护积分、零知识信誉证明，既奖励高质量贡献，又不公开用户真实身份和

限制：乘法层数（multiplicative depth）仅支持一种运算（加法或乘法），但可以进行无限次计算。支持任意计算，可在密文上执行完整程序。多方安全计算（MPC 结合 HE）支持加法和乘法，但计算深度有限。支持：加法 或 乘法（二选一）计算能力：通用计算（图灵完备）计算开销极高（远慢于明文计算）乘法同态：RSA（特定形式）因此只能进行有限深度的计算。表达能力较强（可计算多项式）跨机构数据分