.摘要
提出问题： To effectively train, it is desirable for multiple parties to combine their data – however, doing so conflicts with data privac[各种数据融合在一起是我们的需求，但违背数据隐私的问题]
解决问题： we provide novel three-party secure computation protocols for various NN building blocks[提出一种新颖的三方安全计算为各种各样的神经网络建立]
完成目的： no single party learns any information about the data[无一方可以访问数据]
完成结果：Our work advances the state-of-the-art of secure computation for neural networks in three ways[对神经网络安全保护的三方面突破][1.have an accuracy of > 99% on the MNIST dataset; 推理准确率提高。2.total execution times are 2−4× faster ,执行速度更快。3. All prior works only provide semihonest security and ours is the first system to provide any security against[先前的工作者只提供半诚实安全。这个不仅是半成实安全，还多了一个恶意敌手安全可确保恶意服务器即使从协议中任意偏离，也无法了解诚实客户端的输入或输出的任何信息（只要没有向敌手透露计算的输出]]
garbled circuits and oblivious transfer protocols.[本文没有用到混肴电路和不经意传输协议，只用到了安全多方计算]
1.Introduction
安全要求提出：The security requirement is that no individual party or server learns any information about any other party’s training data[没有一方或一个服务器能访问另一个的全部数据]
模型：N = 3, while M can be arbitrary [服务器3台，输入任意]，develop protocols specific for the N =3 servers setting[针对3个服务器为它们之间设置特定传输协议]
详细介绍了3方面突破。
文章组织： Section 2.：协议介绍 Section 3：安全模型和神经网络训练算法介绍 Section 4：3服务协议建立 Section 5：协议用于所有机器学习 Section 6：协议理论效率 Section 7：对实验进行详细评估
2.Technical Overview
背景：We develop new protocols for Boolean computation (such as ReLU,Maxpool and tsderivatives) that have much lesser communication overhead (at least 8× better) than the cost of onverting to a Yao encoding and executing a garbled circuit[此前大多数技术会使用混淆电路来处理非线性层，就是最大池化和激活函数，而这篇论文是使用布尔计算来处理这些，可以带来更低的通信开销，更好的性能]
三台服务器的工作：denote the three servers by P0,P1 and P2[在所有子协议开始时，三方中的两方P0和P1持有协议输入的2/2加法秘密共享，在协议结束时，同样还是P0和P1持有2/2的输出份额。尽管对于所有的协议， 只有P0和P1拥有输入和输出的份额，但P2也在协议期间参与了真正的计算，也是不能不要的]
主要函数的介绍：
1.Non-linear activations--ReLU
Matrix multiplication and Convolutions：
Privacy against malicious adversaries
3 Preliminaries
Threat Model and Security:
Semi-honest Security[半诚实安全]: honest-but-curious：一个半诚实的对手会诚实地遵循协议规范，但会尝试从协议中学习信息。
Privacy against Malicious Adversary[恶意敌手攻击]：
Notation：the three rings ZL, ZL−1, and Zp, where L = 2` and p is a prime
L =2的64 p =67
Neural Networks：forward propagation(向前传播)
【神经网络向前(从输入到得到损失值的过程)和向后传播(通过损失函数的值不断调参的过程)：
】
The backpropogation updates the weightsappropriatelymakinguseofderivativeoftheactivationfunction：使用RELU`(Rectified Linear Unit 的导数)作为激活函数的导数来更新权重。
【ReLU：f(x)=max(0,x)。显然，输入信号<0时，输出都是0；输入信号>0 的情况下，输出等于输入。主要作用加快计算
】
Protocols Structure:
这是协议的结构，标注黄色的这几个是主要部分，线性层的矩阵乘法、非线性层的池化、激活函数，这都是神经网络里面函数，需要实现的功能，剩下的这四个其实包括矩阵乘法是子协
4.Supporting Protocols
Matrix Multiplication：
【本算法参考了ABY】
Select Share：P0和P1拥有x和y，还有一个比特阿尔法的加法共享（这里的x和y是这个池化函数和激活函数算法中计算过程的一步，所以在这里不考虑他的实际意义）它实现的功能是，如果这个α为0，那就把x的加法共享更新一下，比如之前是r，x-r的方式加法共享，这里换一个新的r，也就是r’，x-r’这样子的加法共享。如果α为1，就对y的加法共享更新一下
Private Compare：一个比较，P0和p1拥有x的加法共享，已知整数r和一个比特β，这个算法实现的就是对x和r的一个比较，如果x<=r，p2得到β，如果x>r，参与方p2得到β非。
Share Convert:把l环上的秘密共享转换成l-1（奇数环）上的秘密共享，转化的目的是，下面的MSB算法需要在奇数环上实现。
Compute MSB：MSB就是the most significant bit也就是取最高比特位
5 Main Protocols
ReLU:
1.if MSB(a)=0 : ReLU'(a)=1,else RELU'(a)=0:
2.LSB(2a)=MSB(a);
3.先计算LSB得出MSB
4.调用share convert和msb得到最高位阿尔法
5.激活函数计算 RELU(a)=RELU`(a)·a
6.调用乘法算法得到最后结果