arXiv ID:
2605.27782
arXiv 提交日期: 2026-05-27
重新审视全同态加密下的机器学习训练:收敛性保证、差分隐私与高效算法 / Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms
1️⃣ 一句话总结
本文首次从理论上分析了在全同态加密环境下训练机器学习模型的收敛性,并设计了一种结合差分隐私的高效算法,通过使用多项式近似替代非线性函数来适应加密计算,同时避免了昂贵的逐样本梯度裁剪,从而在保护数据隐私的同时实现了可扩展的加密学习。