1.一种非交互式的保护隐私神经网络预测方法，其特征是，步骤如下：

首先，神经网络模型的拥有者 将神经网络模型NN分解为两个子模型NN0，NN1，满足NN＝NN0+NN1，具体来讲，是指网络模型中的权重矩阵以及偏置矩阵满足以下关系：W＝W0+W1，B＝B0+B1，然后， 分别将NN0，NN1发送给服务器S0、云服务器S1，B0，B1是利用加法分享拆分得出的两个偏置矩阵，W0，W1是利用加法分享拆分得出的两个权重矩阵，W＝{w1，…}是神经网络每一层的权重参数矩阵，B＝{b1，…}是神经网络每一层的偏置矩阵；

●在询问阶段，由用户将加密后的输入数据Enc(x)发送给两个服务器S0、S1，同时，用户将其私钥sk分解为sk0，sk1两个部分，满足sk＝sk0+sk1，用户将sk0，sk1分别发送给云服务器●由于加密算法为加法同态加密，利用云服务器 根据获取到神经网络模型，实现密文上的运算，采用近似的方法来计算激活函数；

完成了单个神经元的所有相关计算后，而对单个神经元的计算方法在整个神经网络中进行推广，便得出神经网络基于输入数据x的预测值NN(x)。

2.如权利要求1所述的非交互式的保护隐私神经网络预测方法，其特征是，采用近似的方法来计算激活函数，具体对于sigmoid函数，转化方法如下：如上式如示，将非线性激活函数转化为分段的线性函数；具体地：

●Setup(1k，NN)， 运行该算法，输出神经网络子模型NN0＝(W0，B0)，以及NN1＝(W1，B1)。其中，权重矩阵和偏置矩阵满足以下关系：为安全素数,其中mod表示取模运算，NN0，NN1分别发送给服务器 同时， 产生compare()算法中用到的乘法元组[(u，v，w)，…]以及秘密分享值([u]0，[v]0，[w]0)，…]，[([u]1，[v]1，[w]1)，…]，满足：w＝uv mod q，[u]0+[u]1＝u mod q，[v]0+[v]1＝v mod q，[w]0+[w]1＝w mod q，[([u]0，[v]0，[w]0)，…]和[([u]1，[v]1，[w]1)，…]分别发放给服务器●Query(X，pk，sk)：用户已经拥有公钥密码体制ElGamal加密算法的公私钥对(pk，sk)，加密算法采用加法同态加密ElGamal算法，同时对消息进行加密前作升指数处理gX；

● 云服务器 运行该算

法，通过一系列的交互计算，以协同的方式完成神经网络预测，并分别输出预测值Enc(NN0(X))以及Enc(NN1(X))；

●Recover(sk，Enc(NN0(x))，Enc(NN1(x)))，用户收到服务器 返回的加密预测值，利用自己的私钥解密后，计算得出最终的神经网络预测值：

1)

2)Decsk(Enc(NN(X)))＝(Yo，1，Yo，2，…，Yo，d)。

3.如权利要求2所述的非交互式的保护隐私神经网络预测方法，其特征是，Query(X，pk，sk)具体的参数产生方法如下：

1)pk＝(G，p，y)，sk＝x∈R Zp-1，其中，G是阶为p的乘法循环群，g是其生成元，用户运行该算法，产生对应于输入数据X的密文Enc(X)，同时，用户将密钥sk猜分成sk0，sk1，满足sk＝sk0+sk1 mod q；

2)ElGamal加密算法的加密过程如下，对于消息m，对应的密文为C＝(c1，c2)，c1＝gk，c2＝ykm，y＝gsk，解密过程为