In the Internet age, with the rapid expansion of data and the widespread integration of artificial intelligence, privacy concerns have intensified and robust privacy-preserving methods are in demand. While non- cryptographic approaches provide a systematic solution to prevent privacy leakage during data mining, others continue to explore the potential of Secure Multi-Party Computation (SMPC) techniques. This thesis addresses a number of challenges in machine learning by developing a framework for privacy-preserving neural networks, using Lattice-Based Cryptography (LBC) and an established Homomorphic Encryption (HE) scheme, called Cheon-Kim-Kim-Song (CKKS). SCHEME, an innovative framework designed for real-world multi-party scenarios with resilience against future quantum computer attacks, is optimized for neural network compatibility and implements a modularized Convolutional Neural Network (CNN) for seamless integration and minimal configuration. The framework demonstrates competitive performance against state-of- the-art HE-based CNN models, and excels in runtime and memory efficiency with multi-threading support. Tested on a subset of the CIFAR-10 dataset, SCHEME achieves up to 85% end-to-end classification accuracy and high precision approximation in individual layers, validating its effectiveness for privacy-preserving image classification tasks. In additional, this work also contributes a comprehensive analysis of privacy-preserving methods, explores mechanisms for group key exchange, discusses security guarantees and evaluates framework robustness. The proposed framework shows promise for applications requiring strong data confidentiality, such as healthcare and finance. By leveraging CKKS-based LBC, this work advances scalable, secure solutions for multi-party machine learning on encrypted data, bringing privacy-preserving methods closer to practical deployment in data-sensitive applications.

I Internetåldern, med den snabba expansionen av data och den utbredda integrationen av artificiell intelligens, har integritetsfrågorna intensifie- rats och robusta integritetsskyddande metoder efterfrågas. Medan icke- kryptografiska tillämpningar ger en systematisk lösning för att förhindra integritetsläckage under datautvinning, fortsätter andra att utforska po- tentialen i säker flerpartsberäkning (SMPC) -tekniker. Denna avhandling behandlar ett antal utmaningar inom maskininlärning genom att utveckla ett ramverk för integritetsskyddande neurala nätverk med hjälp av gitter- baserad kryptografi (LBC) och ett etablerat homomorf krypteringsschema (HE), kallat Cheon-Kim-Kim-Song (CKKS). Det innovativa ramverket, som är utformat för verkliga flerpartsscenarier med motståndskraft mot framtida kvantdatorattacker, är optimerat för kompatibilitet med neurala nätverk och implementerar ett modulariserat CNN (Konvolutionellt neuralt nätverk) för sömlös integration och minimal konfiguration. Ramverket uppvisar konkurrenskraftiga prestanda jämfört med topp- moderna HE-baserade CNN-modeller och utmärker sig i körtid och minneseffektivitet med stöd för flertrådning. Testat på en delmängd av CIFAR-10-datasetet uppnår SCHEME upp till 85 % end-to-end klassifice- ringsnoggrannhet och approximation med hög precision i enskilda lager, vilket validerar dess effektivitet för integritetsskyddande bildklassificerings- uppgifter. Dessutom bidrar detta arbete med en omfattande analys av integritetsbevarande metoder, utforskar mekanismer för gruppnyckelutbyte, diskuterar säkerhetsgarantier och utvärderar ramverkets robusthet. Det föreslagna ramverket är lovande för tillämpningar som kräver stark datakonfidentialitet, till exempel inom hälso- och sjukvård och finans. Genom att utnyttja CKKS-baserad LBC främjar detta arbete skalbara, säkra lösningar för maskininlärning med flera parter på krypterad data, vilket gör att integritetsbevarande metoder kommer närmare praktisk användning i datakänsliga applikationer.