该论文提出了一种名为 Cheetah 的轻量级且快速的安全两方深度神经网络推理协议。研究背景是随着深度神经网络在医疗、金融等敏感领域的应用，保护模型和数据的隐私变得至关重要。现有的安全推理方案（如基于同态加密或多方计算）往往存在计算开销大或通信成本高的问题。Cheetah 旨在平衡安全性与效率，通过精心设计的加密协议和优化技术，实现两方参与的深度神经网络推理，其中一方持有模型，另一方持有输入数据，双方在不泄露各自私密信息的情况下完成推理。论文方法结合了秘密共享、混淆电路和同态加密等技术，并针对常见神经网络层（如卷积、全连接、激活函数）进行了高效的原语设计。实验结果表明，Cheetah 在多个标准数据集和模型架构（如 ResNet、VGG）上相比现有方案实现了显著的性能提升，特别是在通信开销和在线推理时间方面。该工作对于推动隐私保护机器学习在实际生产环境中的部署具有重要参考价值。