嵌入如何用于完全同态加密？
How are embeddings used for fully homomorphic encryption?
你如何使用来自深度神经网络的嵌入执行单向加密？
完全同态加密 (FHE) 通过确保完全隐私造福社会。 Private Identity 识别算法使用 FHE 在加密数据集上启用加密匹配和搜索操作，而无需存储、传输或使用明文生物特征或生物特征模板。生物识别数据使用单向加密哈希算法不可逆地匿名化，然后在数据永远不会离开本地设备的情况下被丢弃。
我的问题是，这究竟是如何使用嵌入来实现的？嵌入从何而来？
嵌入是一组取自 softmax 深度神经网络 (DNN) 的 N-1 层的浮点数。最初，社区使用 DNN 得到结果 class (softmax)，但有趣的 属性 结果是 softamx 层之前的层的值。
这些值具有有趣的属性。它们可以用作单向加密。它们还与初始输入密切相关。在几何距离（余弦、欧几里德）中，值接近于相似的输入。这意味着我的两张脸部照片（在几何上）比两个不同人的照片更接近属性 允许对生成的加密进行操作。
允许的操作之一是匹配。在加密的 space 中，使用距离属性，我们可以仅使用嵌入进行匹配。由于我们只在加密的 space 中工作，我们有一个 FHE 的实现并且嵌入来自 DNN。
随后，我们发现第二个 DNN 允许 class化，但仅使用嵌入。我们现在拥有隐私和性能。
你如何使用来自深度神经网络的嵌入执行单向加密？
完全同态加密 (FHE) 通过确保完全隐私造福社会。 Private Identity 识别算法使用 FHE 在加密数据集上启用加密匹配和搜索操作，而无需存储、传输或使用明文生物特征或生物特征模板。生物识别数据使用单向加密哈希算法不可逆地匿名化，然后在数据永远不会离开本地设备的情况下被丢弃。
我的问题是，这究竟是如何使用嵌入来实现的？嵌入从何而来？
嵌入是一组取自 softmax 深度神经网络 (DNN) 的 N-1 层的浮点数。最初，社区使用 DNN 得到结果 class (softmax)，但有趣的 属性 结果是 softamx 层之前的层的值。
这些值具有有趣的属性。它们可以用作单向加密。它们还与初始输入密切相关。在几何距离（余弦、欧几里德）中，值接近于相似的输入。这意味着我的两张脸部照片（在几何上）比两个不同人的照片更接近属性 允许对生成的加密进行操作。
允许的操作之一是匹配。在加密的 space 中，使用距离属性，我们可以仅使用嵌入进行匹配。由于我们只在加密的 space 中工作，我们有一个 FHE 的实现并且嵌入来自 DNN。
随后，我们发现第二个 DNN 允许 class化，但仅使用嵌入。我们现在拥有隐私和性能。