牛顿法与拟牛顿法学习笔记（一）牛顿法

???? 探索SecureNN：为神经网络训练打造的三方安全计算框架 在大数据与人工智能蓬勃发展的今天，数据隐私和安全性成为了不容忽视的问题。SecureNN应运而生，它不仅是一个强大的开源项目，更是连接了高效多党计算（MPC）协议与现代深度学习模型之间的桥梁。通过本文，我们将深入解析SecureNN的独特魅力，探索其技术奥秘，并展示如何将其应用于现实场景中。 ???? 项目简介 SecureNN由Samee...

.摘要 提出问题：To effectively train, it is desirable for multiple parties to combine their data – however, doing so conflicts with data privac[各种数据融合在一起是我们的需求，但违背数据隐私的问题] 解决问题：we provide novel three-party secure computation protocols for various NN building ...

SecureNN: 3-Party Secure Computation for Neural Network Training 论文在这种三个服务器的设置下，为神经网络中一些常用函数建立了特定的算法协议，像矩阵乘法，激活函数，最大池化函数这些。我们之前读过的论文中处理这些神经网络中的函数大多会使用同态加密、混淆电路、不经意传输这些，但是这篇论文都没有用到，只是通过三方安全计算的方法，用加法秘密共享进行计算，没有用到什么特别的密码学的技术 三个方面突破 第一点就是准确率的提高。 他们的技术能够在MNIST数

本文提出一个新的恶意安全下诚实多数的关于任意函数的安全三方计算协议。该工作基于Araki 等人（CCS'2016）提出的半诚实协议，改进为恶意敌手、诚实大多数模型下的Correct with Abort 安全三方计算协议。

SecureNN在医疗联邦学习中的应用，远不止于技术工具，而是重新定义了“数据协作”的伦理与实践边界。它证明：隐私保护与医疗AI进步并非对立，而是共生关系——当数据在安全框架下流动，我们才能真正释放医疗数据的“黄金价值”。未来5年，随着硬件加速和标准完善，SecureNN将从“技术方案”蜕变为“行业共识”，让每一份患者数据在隐私守护下，转化为挽救生命的智慧。关键启示：医疗数据的未来，属于那些能将隐私视为“协作基础”而非“障碍”的创新者。

由此可见，3PC和2PC都在本地计算加法，他们最大的不同就是乘法：在2PC乘法中，交叉项需要借助OT或HE计算，带来巨大的通信或计算开销；而基于复制秘密分享的3PC乘法完全在本地计算交叉项，无需通信，在re-sharing时需要少量的通信。ABY3中采用replicated secret sharing（复制秘密分享）机制，即2-out-of-3秘密分享，三个参与方的每一方都拥有share中的两份。下面来看一下这样做有什么好处。

面向加密数据的安全图像分类基础知识安全算法同态加密安全多方计算安全方案综述安全模型推理安全模型训练研究展望参考文献 基础知识 安全模型 半可信模型（诚实但好奇）：参与方均严格按照约定计算协议内容执行计算, 在不违反协议的前提下推测对方隐私信息。 恶意模型：可以使用任何攻击手段 (容许违背协议内容) 来获取对方隐私信息。 安全图像分类划分为安全模型推理（前向计算）和安全模型训练（反向传播）。 安全模型推理：本地明文训练，公开训练模型，云端（边缘端）密态推理。 在线推理：推理过程中需要用户（此

Falcon：隐私推理和训练本文贡献模型定义基础知识或先验理解安全计算协议设计 本文贡献 支持隐私保护前向推理和反向训练，且支持端对端的大型网络推理和训练；多种卷积神经网络，多种数据集，多种信息传输方式（LAN和WAN设置）； 支持安全批量归一化的前向计算和反向传播； 支持半可信场景和 Honest-Majority的恶意场景，可供选择； 安全协议性能提升，融合之前工作SecureNN以及安全三方计算框架ABY3协议的思想，通过简化代数实现定点算术运算，降低整数环大小，即降低数据类型，显然降低通信开销（众

介绍及代码示例 TF-Encrypted是在2018年3月开源的基于TensorFlow的多方计算框架。主要参与组织有DropoutLabs, Openmined, Alibaba。 代码地址：https://github.com/tf-encrypted/tf-encrypted TF-Encrypted默认使用的pond协议（类似spdz的mpc协议），还支持SecureNN, ABY3协议。...

位来 发自 凹非寺量子位 报道 | 公众号 QbitAI脱了马甲我照样儿认识你！这句在2000春晚赵本山的经典台词，放在隐私圈有了新的解释：在不看到数据“真面目”的情况下，照样能得到答案...

dynamo几何库绑定 文件引用 文件1：ProtoGeometry.dll 文件2：LibG.Interface.dll 注意修改为false 应用命令 using dyGeometry = Autodesk.DesignScript.Geometry; 对内容进行简要描述 下面举例说明创造点； //此处内容根据dynamo节点命令名称代码内容进行点选拾取对应的几何命令 dyGeometry.Point point = dyGeometry.Point.ByCoordinates(10, 20, 30

SPDZ是一个安全多方计算的开源库。里面包含了各种技术实现的安全多方计算，例如混淆电路、秘密分享、OT、同态。功能比较全，而且是持续维护的开源库。主体语言是python，众所周知，python是世界最好的语言。在此基础上定义了很多新的关于MPC的类和库，具体可查看用户手册。 官方文档是：https://github.com/data61/MP-SPDZ 对spdz库进行了详细介绍，以及一些基础的安装编译命令 官方源代码：https://github.com/data61/MP-SPDZ/release.

QUOTIENT: Two-Party Secure Neural Network Training and Prediction 最近，有大量的工作致力于为机器学习任务设计安全协议。其中大部分是为了实现高精度深层神经网络（DNNs）的安全预测。 然而，由于dnn是基于数据进行训练的，一个关键问题是如何安全地训练这些模型。以前关于安全DNN训练的工作很少，主要集中在为现有训练算法设计自定义协议，或者开发定制的训练算法，然后应用通用的安全协议。 在这项工作中，作者研究了在设计新的安全协议的同时设计训练算法的.

编者按：数据时代，人们从技术中获取便利的同时，也面临着隐私泄露的风险。微软倡导负责任的人工智能，因此机器学习中的隐私保护问题至关重要。本文介绍了目前机器学习中隐私保护领域的最新研究进展，...

Paillier加法同态加密基础知识Paillier密码系统 基础知识 算术基本定理（唯一分解定理）：任何大于１的自然数，都可以唯一分解成有限个质数的乘积，记为n=p1a1p2a2⋯pkak=Πi=1kpiain=p_1^{a_1} p_2^{a_2} \cdots p_k^{a_k}=\Pi_{i=1}^k p_i^{a_i}n=p1a1​​p2a2​​⋯pkak​​=Πi=1k​piai​​，其中pip_ipi​为素数，aia_iai​为正整数。 欧拉函数：计算不大于n且与n互素的正整数的个数，

ABY3 [Arithmetic-Binary-Yao; Three-party with one malicious adversaries]动机与挑战ABY3框架 动机与挑战 浮点数计算精度问题：同乘因子，转化为整数，但大量连续的乘法计算导致可观误差；转化为定点数，采用布尔电路（二进制秘密共享或混淆电路）计算乘法，但意味着可观通信开销。 二进制计算（二进制秘密共享）和算术计算（算术秘密共享）来回切换意味着计算瓶颈。 面对半可信安全模型，甚至是恶意模型（本文考虑安全三方计算，至多存在一台服务器被腐蚀）。

SPDZ协议基础知识MC from SHE两方SPDZ协议多方SPDZ协议 基础知识 敌手定义：被动敌手，不可信计算参与方遵循协议；主动敌手，不可信计算参与方偏离协议； 协议安全定义：理想与现实执行在计算上不可区分； 协议设计目标：安全多方计算；抵抗主动敌手；主动敌手占主导地位（Dishonest Majority）,极端情况下，只有一个可信参与方，其他参与方均被恶意敌手腐蚀； 协议设计思路：协议划分为预处理阶段（生成随机数）和在线阶段（参与方交互计算）；全同态加密FHE适用于明文和密文下的相同的线性计算