随着云计算概念的诞生和人们在密文搜索、电子投票等多方面的需求增加，同态加密（Homomorphic Encryption）变得日益重要。同态加密是一类具有特殊自然属性的加密方法，与一般加密算法相比，同态加密除了能实现基本的加密操作之外，还能实现密文间的多种计算功能，即先计算后解密可等价于先解密后计算。同态加密技术可以先对多个密文进行计算之后再解密，不需要对每一个密文解密而花费高昂的计算代价，对于保护信息的安全具有重要意义。

基于安全神经网络（NNs）推理的同态加密作为新兴的机器学习即服务（MLaaS），是最可靠的安全解决方案之一。在基于HE的MLaaS设置中，客户端对敏感数据进行加密，并将加密后的数据上传到服务器，服务器不用解密，直接处理加密后的数据，并将加密结果返回给客户端。由于只有客户端拥有私钥，所以能够保护客户端的数据隐私。现有的基于HE的神经网络（HENNs）计算开销很大，最先进的HENNs采用密文打包技术，通过将多个消息打包成一个密文来减少同态乘法。然而，在这些HENNs中需要旋转来实现同一密文中元素的和，HENNs必须在旋转上花费大量的计算开销。因此，大规模的旋转已经成为高效HENNs的主要障碍。

在NeurIPS 2020会议上，来自印第安纳大学布鲁明顿分校的在读博士娄钱团队提出了一种用于加密数据快速推理的频域深度神经网络Falcon。Falcon包括一个同态离散傅立叶变换（HDFT），使用块循环矩阵同态支持谱操作。娄博团队还提出同态谱卷积和同态谱全连通运算来减少开销巨大的同态运算。实验结果表明，在MNIST和CIFAR-10上，Falcon获得了最先进的推理精度，并且比之前的HENNs减少了45.45% - 85.34%的推理延迟。

11月17日上午10点，智东西公开课邀请到印第安纳大学布鲁明顿分校在读博士参与「机器学习前沿讲座」第10讲，带来主题为《如何使用同态加密在加密数据上高效执行神经网络》的直播讲解。娄钱博士将从同态加密在加密数据中的挑战出发，然后介绍基于同态加密的安全神经网络；最后详解加速数据推理的频域深度神经网络Falcon和基于同态谱的运算开销降低算法。感兴趣的朋友一定不要错过！

娄钱是印第安纳大学布鲁明顿分校在读博士，研究领域为深度学习加速和隐私保护深度学习。他曾在PACT会议上获得了DAC青年奖学金和最佳论文提名。娄博现担任ICML、NeurIPS和AAAI会议的评审员或项目委员会。