1. 研究目的与意义、国内外研究现状（文献综述）
1、课题意义
随着数字世界中数据量的不断增加，需要强大的机器学习模型来有效地处理不同应用程序和行业中的大量信息。深度学习（dl）技术，为自动提取数据信息中的潜在特征提供了有效的建模方法。在一些重要且频繁的任务中，例如视觉分类、游戏、语音识别等，dl技术与人类认知相比具有更高的准确性。[1]
dl模型的性能直接依赖于可用的训练数据量，然而，训练样本通常是从存储在云服务器上的用户内容中收集的，这些内容包含敏感信息，如图像、语音记录、位置日志和医疗记录等。同时，用户将其查询信息发送到云服务器，经dl模型训练后，接收预测结果。这些查询很有可能包括敏感数据，例如用户的健康记录。[2]
2. 研究的基本内容和问题
1、研究目标
实现网络优化前后的三值神经网络，使用混淆电路技术将其实现隐私保护，同时设计整体实现系统，对最后的训练结果进行分析比较。
3. 研究的方法与方案
1、研究方法
（1）文献研究法
通过查找混淆电路、三值神经网络等方面的文献，了解三值神经网络的实质和混淆电路技术的实行方法，从而进行设计和实验。
4. 研究创新点
将复杂的神经网络二值化、三值化的研究一直是学者关注的热点问题，采用隐私保护技术规避神经网络信息泄露亦引起众多研究人员的兴趣。
然而，使用混淆电路实现神经网络中的隐私保护这一课题直到2019年才真正有学者提出成熟的理论实现，但这一理论仅针对二值神经网络，基于混淆电路的三值神经网络中的隐私保护还存在空白，是一个值得研究的方向。
同时，神经网络的实现基于Python，而混淆电路的实现基于C/C ，目前并没任何公开的源码实现基于混淆电路的神经网络中的隐私保护，而本研究考虑使用C/C 与Python混合编程以实现相应系统。5. 研究计划与进展
第一阶段
1、通过搜索知网、万方、csdn等网站引擎，初步了解深度学习、隐私保护等的相关知识，及其延伸方向，形成一个基础概念
2、深入研究web of science、elsevier sciencedirect、springerlink等外文期刊、论文、会议等中与dl模型、混淆电路等相关的内容，加深了解
