原始来源日期:2026年10月6日。本文依据最近72小时内发布的一手资料编译。
原文编译
论文关注多个机构用私有数据共同适配预训练模型的场景。普通联邦学习不断交换模型或梯度,仍可能受到重建攻击;一次性协议可减少中间值暴露,却通常会把训练后的完整模型交给所有参与方,不适合模型本身受监管或属于商业资产的情况。
HE-OFT冻结公共主干,每个客户端只训练低秩适配器和分类头,并保留自己的适配器。客户端向服务器上传一次加密后的分类头位移,服务器在多方CKKS下组合且始终不解密;达到法定人数的客户端协作推理,只把预测标签返回查询者。
作者在四个文本分类和一个视觉任务上报告61%至79%准确率,单客户端训练为20%至48%;与公开完整模型相比,HE-OFT保留85%至96%的准确率。这里的“密码学安全”依赖论文协议、阈值参与方和实现假设,不能从准确率数字推导。
性能代价明显:单核测试查询耗时443.1至1713.1秒;服务器GPU执行level restoration后为56.1至255.1秒。后者把单次查询通信从最高1.6GiB降至13.5MiB,但也引入新的服务器计算与协议路径,需要检查其安全边界。
量仔观察
本站判断,这项工作更像“模型不落地的联合推理基线”,距离交互式服务仍很远。其价值在于把数据、适配器、聚合模型和查询结果的可见性逐项拆开,为不同监管约束提供明确接口。
研发复现应首先核对多方密钥生成、退出成员、法定人数不足、恶意密文和模型更新一致性。若只把HE吞吐优化到可接受,而没有成员治理与审计,实际部署仍可能在密钥生命周期和参与方串谋处失效。
