zama-ai/concrete-ml

解决的问题

Concrete ML 允许数据科学家在加密数据上执行机器学习，而无需深入掌握密码学知识。它解决了在处理敏感信息（如医疗记录、金融数据或生物识别身份）时，保持数据在整个计算过程中始终加密的问题，从而确保隐私和安全。

工作原理

该库基于 Concrete 框架构建，利用完全同态加密（FHE）。它提供了一套工具，可自动将标准机器学习模型转换为其同态等价物。它提供与 scikit-learn 和 XGBoost 类似的内置模型 API，并支持通过 ONNX 将自定义 PyTorch 或 Keras/TensorFlow 模型转换为 FHE 兼容格式，使用量化感知训练实现兼容性。

适用人群

专为希望使用熟悉的框架和 API 实现隐私保护机器学习（PPML）的数据科学家，以及医疗、金融、政府等高度监管行业需要安全分析敏感数据的组织而设计。

主要亮点

• FHE 友好的内置模型：提供与 scikit-learn 和 XGBoost 接口等效的即用型模型。
• 自定义模型支持：可通过 ONNX 导入 PyTorch 或 Keras/TensorFlow 模型。
• 隐私保护推理：在加密输入上运行预测，无需解密。
• 广泛应用场景：涵盖加密情感分析、健康诊断、信用卡审批、加密图像过滤等多种应用。