总结
这一周又没干啥正经事，学科前沿讲座结课了，整了一下结课论文，把软件工程实训汇报完了，有惊无险，但却有点轻微感冒+上火+口腔溃疡，痛不欲生，虽已习惯了高三时期留下的旧疾，但得了口腔溃疡还是痛。
这周又读了几篇论文，还是没有找到与我要研究东西特别相近的论文，都是关于深度学习的，没有大模型这方面的，这周继续探索一下。
计划
计划就是完成上周以及上上周未完成的计划，继续干
-
“Privacy-Preserving Deep Learning via Additively Homomorphic Encryption”
- 该论文研究了通过可加同态加密实现隐私保护的深度学习推理，探讨了如何在保留数据隐私的同时利用深度学习模型进行推理。
-
“Federated Learning with Encrypted Data”
- 这篇论文介绍了在联邦学习框架中使用加密数据的方案，虽然主要聚焦于模型训练，但也讨论了如何在推理阶段保护数据隐私。
-
“Secure Inference with Deep Learning Models”
- 该研究探讨了如何在不暴露数据的情况下，安全地使用深度学习模型进行推理，涉及多种加密和隐私保护技术。
-
“Homomorphic Encryption for Privacy-Preserving Machine Learning”
- 本文讨论了同态加密在隐私保护机器学习中的应用，特别是在数据持有方希望使用外部模型进行推理的情况下。
-
“Secure and Private Inference of Deep Learning Models”
- 这篇论文提出了一种框架，用于在保护隐私的情况下安全地进行深度学习模型的推理，涵盖了多个隐私保护技术。
-
“Privacy-Preserving Machine Learning: A Practical Approach”
- 本文讨论了一种实用的方法，通过使用加密技术保护数据隐私，同时实现机器学习模型的推理。
-
“Secure Outsourced Computation in Machine Learning”
- 这篇论文探讨了如何将机器学习任务外包给持有模型的方，同时保证数据的隐私不被泄露。
-
“Differentially Private Inference in Machine Learning”
- 本文介绍了如何在机器学习模型推理过程中实现差分隐私，保证输出结果不泄露输入数据的信息。
-
“Towards Secure and Private Machine Learning: A Survey”
- 这篇综述论文涵盖了各种保护数据隐私的技术，包括同态加密和安全多方计算在推理中的应用。
-
“Federated Learning with Encrypted Data for Privacy-Preserving Machine Learning”
- 该研究探讨了在联邦学习框架下如何处理加密数据，适用于在不暴露数据的情况下进行模型推理。
-
“Secure and Private Model Inference: A Survey”
- 本文回顾了与安全和隐私相关的模型推理方法，强调在使用外部模型时的隐私保护需求。