该论文研究的是"选择性同态推理"(selective homomorphic inference) 这一隐私保护推理范式。背景是: 全同态加密 (FHE) 允许服务端在完全不解密用户数据的前提下完成模型推理, 隐私性最强, 但代价是把整个输入都放进密文域计算, 开销极高, 尤其在深层网络上会迅速变得不可接受。作者提出的折中方案是: 只对输入中真正敏感的区域 (region of interest, ROI) 进行加密, 而与该区域无关的计算全部在明文域执行。论文强调, 这种选择性评估在网络架构不做任何重训练的前提下, 能够产出与"对整个输入做全 FHE 推理"完全一致的输出, 因此不损失模型精度, 只改变计算代价。 核心问题是: 这种混合模式在什么条件下才真正高效? 作者给出的解释是, 收益取决于"加密依赖"在网络中扩散的速度——一旦某个后续张量元素的计算依赖于被加密的 ROI, 该元素就必须一起进入密文域, 密文计算量因此随依赖传播而膨胀。对于较小的加密 ROI, 保局部性的架构 (计算只在小邻域内耦合, 例如局部感受野的卷积结构) 可以把加密依赖限制在很小的子张量内, 从而获得数量级的同态求值加速; 相反, 具有"早期全局混合"特性的架构 (例如在浅层就引入全局注意力、全局池化或其他跨位置聚合的结构) 会让加密依赖在前几层就扩散到整个特征图, 等于退化为全密文推理, 几乎没有任何加速可言。 论文的主要贡献可归纳为: (1) 提出并形式化了选择性同态推理的概念, 明确了它相对全 FHE 的等价输出与不重训练特性; (2) 用"加密依赖扩散速度"作为解释性机制, 把推理开销与网络架构的局部性联系起来; (3) 通过实验表明, 局部性保持型架构可获得数量级加速, 而早期全局混合架构基本无收益。结论是: 局部性 (locality) 是决定选择性同态推理收益的关键架构属性。 适合阅读的人群包括: 从事隐私保护机器学习、机密计算、FHE 推理系统优化的研究者与工程师; 需要在合规约束下设计或选型模型架构的架构师; 以及关注模型侧隐私泄漏面与加密边界的合规/安全人员。