3.1 PPDL dựa vào HE
PPDL dựa trên HE kết hợp mã hóa đồng hình với học sâu. Cấu trúc của PPDL dựa trên HE thể hiện cho ta thấy có ba giai đoạn trong PPDL dựa trên HE:
Giai đoạn huấn luyện (T1-T2-T3-T4) Giai đoạn suy luận (I1-I2-I3))
Giai đoạn kết quả (R1-R2-R3).
Trong giai đoạn huấn luyện, một máy khách mã hóa tập dữ liệu huấn luyện bằng cách sử dụng HE (T1) và gửi tập dữ liệu đã mã hóa đến máy chủ đám mây (T2). Trong máy chủ đám mây, đào tạo bảo mật được thực hiện (T3), dẫn đến mô hình được đào tạo (T4). Đây là phần cuối của giai đoạn đào tạo. Đối với giai đoạn suy luận, máy khách gửi tập dữ liệu thử nghiệm đến máy chủ đám mây (I1). Tập dữ liệu thử nghiệm trở thành đầu vào của mô hình được đào tạo (I2). Sau đó, quá trình dự đoán được chạy bằng mô hình được đào tạo (I3), dẫn đến kết quả tính toán được mã hóa. Đây là phần cuối của giai đoạn suy luận. Tiếp theo, máy chủ đám mây chuẩn bị vận chuyển kết quả tính toán được mã hóa (R1) và gửi nó đến máy khách (R2). Máy khách tính toán được kết quả cuối cùng của nó (R3). Năm 2016
Cryptonets được đề xuất bởi Gilad Bachrach et al để giải quyết vấn đề về quyền riêng tư trong Machine Learning như một dịch vụ (MLaaS). Tác giả đã kết hợp mật mã và học máy để trình bày một khuôn khổ học máy để dữ liệu đã được mã hóa làm đầu vào. Cryptonets cải thiện hiệu suất của ML Confidential được phát triển bởi Graepelet al, cùng với đó là một lược đồ PPDL sửa đổi dựa trên Linear Means Classifier và Fisher Linear Discriminant hoạt động trên HE. ML Confidential sử dụng đa thức xấp xỉ để thay thế cho hàm kích hoạt phi tuyến.