Toward Scalable Fully Homomorphic Encryption Through Light Trusted Computing Assistance
安全地将计算任务外包给具有完整性和机密性保证的不可信方一直是一个长期存在的问题。虽然全同态加密（FHE）是一种允许对加密数据执行计算的有前途的技术，但它的计算速度显著减慢。在本文中，我们提出了一个混合的解决方案，使用最新的硬件可信执行环境（TEE），以协助FHE移动的引导步骤，这是在设计实际的FHE计划的主要障碍之一，到一个安全的SGX飞地。我们设计的混合系统TEEFHE使得同态计算可以在较小的密文和秘密密钥上进行，从而提供更好的性能和更低的内存消耗。我们通过使存储器访问模式完全独立于秘密信息来减轻SGX内的侧通道泄漏。评估表明，TEEFHE有效地改善了软件只有FHE计划在时间和空间方面。
2019-05-19 cs.CR
Secure Multilayer Perceptron Based On Homomorphic Encryption
在这项工作中，我们提出了一个外包的安全多层感知器（SMLP）计划，在训练和分类阶段确保数据和模型的隐私和机密性。更清楚地说，这个SMLP：i）可以由云服务器基于用户先前以同态加密形式外包的数据来训练; ii）其参数是同态加密的，从而不给出云的线索;以及iii）其还可以用于对由用户发送的新的加密数据进行分类，用户向其返回加密的加密分类结果。这个计划的独创性有三个方面。据我们所知，它是第一个多层感知器（MLP）在同态加密数据的训练阶段没有收敛问题。它不需要服务器和用户之间的额外通信。它是基于整流线性单元（ReLU）激活函数，我们确保没有近似与实际SMLP解决方案。为此，我们利用两个半诚实的非串通服务器。在一个用Paillier密码系统加密的二进制数据库上进行的实验结果证明了我们方案的整体性能及其收敛性。
2018-06-07 cs.CR
Efficient Cloud-based Secret Shuffling via Homomorphic Encryption
当处理来自多个来源的机密数据的联合收集时，例如，在基于云的多方计算场景中，数据提供者与其输入本身之间的所有权关系是机密信息。保护数据提供者的隐私需要一种用于秘密地混洗数据汇集的功能。我们提出了第一个有效的安全多方计算协议的秘密洗牌的情况下，一个中央服务器。基于一种新的随机索引分布方法，我们的解决方案使加密数据序列的顺序随机化，使得没有观察者可以以比猜测更好的概率在原始序列和混洗序列的元素之间进行映射。它允许在具有恒定轮复杂度和线性计算复杂性的加法同态密码系统下对加密的数据进行混洗。作为一种通用协议，它与各种实际用例相关。
2020-02-12 cs.CR
Design and Optimization of Cloud Native Homomorphic Encryption Workflows for Privacy-Preserving ML Inference
Independent Researcher（独立研究者）
针对云环境下ML推理的数据隐私问题，提出集成容器化HE模块与Kubernetes编排的云原生HE工作流框架，结合密文打包等优化策略，实现3.2倍推理加速与40%内存降低，为零信任云下安全MLaaS部署提供可行方案。
2025-10-28 cs.AI cs.CR
Private LoRA Fine-tuning of Open-Source LLMs with Homomorphic Encryption
institutetext: Zama（Zama）
本文提出结合 LoRA、同态加密与远程工作节点的开源 LLM 私有微调协议，并在 Llama-3.2-1B 上验证其可行性。
2025-05-12 cs.CR cs.LG
Blind Turing-Machines: Arbitrary Private Computations from Group Homomorphic Encryption
安全函数求值（SFE）是在某些数据上计算函数（或运行算法）的过程，同时保持输入，输出和中间结果对函数求值的环境隐藏。这可以使用完全同态加密、Yao的乱码电路或安全多方计算来完成。应用是多种多样的，最突出的是将计算外包给云服务提供商，在那里数据将在完全保密的情况下进行操作和处理。如今，对SFE研究最深入的解决方案之一是全同态加密（FHE）。自2009年发现第一个此类系统以来，尽管取得了很大进展，但FHE仍然效率低下，难以实际实施。类似的问题也适用于乱码电路和（通用）多方计算协议。在这项工作中，我们介绍了盲图灵机的概念，它使用简单的同态加密（ElGamal加密的扩展）处理密文的方式作为标准的图灵机，从而实现可计算性的任何功能，在总的隐私。值得注意的是，这表明完全同态加密确实是进行SFE的过于强大的原语，因为具有相等性检查的组同态加密已经足够了。此外，该技术易于实现，并且可能为在当今的计算机器上进行有效的私有计算打开了大门，仅需要对完善的计算机体系结构进行简单的改变。
2013-12-11 cs.CR
Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption
EPFL（瑞士联邦理工学院）；Inria（法国国家信息与自动化技术研究院）；IRMAR（里摩日数学研究所）；Université de Rennes（雷恩大学）；École Polytechnique（巴黎高等理工学院）；CNRS（法国国家科学研究中心）
针对全同态加密推理实用性不足的问题，提出混合框架Safhire，通过线性层加密计算、非线性层客户端明文执行结合随机打乱等优化，在保障隐私的同时大幅降低推理延迟。
2026-10-19 cs.CR cs.LG
Verifiable Fully Homomorphic Encryption
全同态加密（FHE）通过允许在加密数据上进行计算来保护使用中的数据，其在现实世界中的部署越来越多。然而，允许同态计算的相同延展性也引起了完整性问题，这到目前为止大多被忽视了。虽然FHE缺乏完整性对正确性有明显的影响，但它也对机密性有严重的影响：恶意服务器可以利用缺乏完整性来进行交互式密钥恢复攻击。因此，几乎所有的FHE方案和应用程序都假设一个诚实但好奇的服务器，不偏离协议。然而，在实践中，这一假设对于广泛的部署场景是不够的。虽然已经有旨在解决这一差距的工作，但这些工作仍然是孤立的，只考虑了整个问题的各个方面，未能充分解决现代FHE计划和应用的需求和特点。在本文中，我们分析了现有的FHE完整性的方法，目前的攻击，利用以前的工作中的差距，并提出了一个新的概念，恶意安全的可验证的FHE。然后，我们用一系列技术实例化这个新概念，分析它们并在一系列不同的设置中评估它们的性能。我们强调了它们的潜力，但也指出了未来仍需要为FHE量身定制完整性解决方案的工作。
2023-02-11 cs.CR
Hierarchical Role-Based Access Control with Homomorphic Encryption for Database as a Service
数据库即服务提供了访问和管理客户数据的服务，这些服务提供了访问的便利性，并且这些服务的成本较低。DBaaS服务提供商可能不受信任，数据可能存储在不受信任的服务器上。访问控制机制可以限制用户的非授权访问，但在云环境中访问控制策略更加灵活。但是，攻击者可以通过滥用其他用户的权限来收集用于恶意目的的敏感信息，从而危及数据库安全。与DBaaS相关的其他问题是管理角色层次结构和数据库中查询事务的安全会话管理。提出了一种基于角色层次的多租户数据库访问控制方法。查询被授予最低访问权限，会话密钥用于会话管理。建议的工作保护数据免受特权升级和SQL注入。它使用部分同态加密（Paillier加密）对敏感数据进行加密。如果查询要对敏感数据执行任何操作，则需要额外的权限才能访问敏感数据。采用基于角色的访问控制和部分同态加密实现了数据的机密性和完整性。
2016-03-02 cs.CR
SARSA(0) Reinforcement Learning over Fully Homomorphic Encryption
我们考虑一个基于云的控制架构，其中本地工厂外包的控制合成任务的云。特别是，我们考虑基于云的强化学习（RL），其中更新值函数被外包给云。为了实现机密性，我们实现了全同态加密（FHE）的计算。我们使用一个CKKS加密方案和一个修改的SARSA（0）强化学习，以纳入预防引起的延迟。然后，我们给出了SARSA（0）的延迟更新规则与阻塞机制的收敛性结果。最后，我们通过一个经典的极点平衡问题的实现给出了一个数值演示。
2021-01-25 cs.CR cs.SY eess.SY
Encrypted Federated Search Using Homomorphic Encryption
本文提出一种基于同态加密的隐私保护联邦搜索系统，使执法机构能在不解密数据的情况下跨分布式加密犯罪数据库执行查询，并集成CKKS与BFV方案以兼顾实时性、安全性和可扩展性。
2025-05-05 cs.CR
INCHE: High-Performance Encoding for Relational Databases through Incrementally Homomorphic Encryption
同态加密（HE）通过在数据库即服务（DaaS）范例中直接对加密字段执行查询来提供数据机密性。虽然完全HE表现出很大的表现力，但禁止性能开销，可以通过部分HE方案实现灵活性和效率之间的更好平衡。然而，在性能方面，最先进的HE方案的加密速率仍然比I/O吞吐量低几个数量级，使得HE方案成为性能瓶颈。本文提出了增量式同态加密方案INCHE，该方案通过对关系数据库中的字段进行增量式加密来提高HE方案的性能。INCHE的核心思想是探索明文之间的内在相关性，并将其缓存以备将来重用，从而避免从明文到密文的昂贵HE原语。在选择明文攻击（CPA）模型下证明了INCHE的语义安全性，并证明了其时间复杂度与明文长度成线性关系。我们通过扩展对称密码系统实现了一个INCHE原型，并在随机生成的数据和TPC-H基准测试上验证了其有效性。
2021-11-19 cs.CR cs.DB
Integrating Homomorphic Encryption and Trusted Execution Technology for Autonomous and Confidential Model Refining in Cloud
Iowa State University（爱荷华州立大学）
本文提出整合同态加密与可信执行环境技术，设计一种在云中实现自主且保密模型精炼的方案，实验证明云服务器能自主利用加密数据精炼加密模型并提升准确率。
2023-08-02 cs.CR cs.LG
Secure Semantic Communication With Homomorphic Encryption
本文提出HE-JSCC方案，利用同态加密保护语义通信中的信息，通过SIFT验证加密后语义信息的保留，并展示了图像分类和生成任务的仿真结果。
2026-01-05 cs.CR eess.SP
Multimodal Privacy-Preserving Entity Resolution with Fully Homomorphic Encryption
University at Buffalo, The State University of New York Department of Computer Science（布法罗大学计算机科学与工程系）
本文提出多模态框架，利用政府和金融机构的数据集，解决数据量、匹配精度和隐私问题，通过全同态加密保障隐私，实现低误判率和高效计算。
2026-01-26 cs.CR cs.CV
Preserving Data Confidentiality in Association Rule Mining Using Data Share Allocator Algorithm
针对关联规则挖掘中的数据隐私保护需求，提出基于数据份额分配器算法与改进同态加密的水平划分数据集频繁项集挖掘隐私保护框架，实现多方数据安全协作挖掘且不损失数据效用。
2023-04-28 cs.CR
HERL: Tiered Federated Learning with Adaptive Homomorphic Encryption using Reinforcement Learning
针对异构环境下同态加密联邦学习开销过高的问题，提出基于Q-Learning的HERL方法，按客户端能力分层并动态优化加密参数，在低安全损失下显著提升效用与收敛效率。
2024-09-11 cs.CR cs.DC
High-Performance Caching of Homomorphic Encryption for Cloud Databases
针对云数据库中 Rache 同态加密缓存的随机化开销与浮点支持问题，提出 $ASEnc$ 和 $FSEnc$，在 MySQL 8.0 原型中验证其 IND-CPA 安全及显著加速。
2023-06-07 cs.CR cs.DB
Reliable Non-Leveled Homomorphic Encryption for Web Services
University of Minnesota（明尼苏达大学）；University of Washington（华盛顿大学）
本文提出一种提升计算效率并集成自动纠错机制的新型FHE框架，通过新编码技术和代数可靠性层，解决FHE在实际复杂网络环境中的部署问题。
2026-05-08 cs.CR
Complex domain approach for reversible data hiding and homomorphic encryption: General framework and application to dispersed data
本文提出复数域方法实现可逆数据隐藏与同态加密，通过H[i]dden框架和两种协议提升数据安全性和完整性。
2026-09-03 cs.CR
Communication-Efficient Search under Fully Homomorphic Encryption for Federated Machine Learning
本文针对联邦学习中CKKS全同态加密模型的高效搜索问题，提出基于平衡二叉树和对数级网络交互的加密值搜索方法，显著提升中间模型管理与审计能力。
2023-08-09 cs.CR cs.DS
Comparison of Fully Homomorphic Encryption and Garbled Circuit Techniques in Privacy-Preserving Machine Learning Inference
IEEE
本文比较了全同态加密（FHE）与混淆电路（GC）在隐私保护机器学习推理中的性能，发现GC执行更快、内存更低，而FHE支持非交互式推理。
2025-10-08 cs.CR cs.LG
MemFHE: End-to-End Computing with Fully Homomorphic Encryption in Memory
数据量的不断增加和问题的日益复杂导致了对云计算的日益依赖。然而，许多应用程序，特别是在医疗保健，金融或国防，要求安全和隐私，今天的解决方案不能完全解决。全同态加密（FHE）通过在处理过程中增加数据的机密性，提升了当今解决方案的标准。它允许对完全加密的数据进行计算，而无需解密，从而完全保护隐私。为了能够以可用的经典安全级别处理加密数据，例如，128位，加密过程引入了明显的数据大小扩展-密文比本机数据类型的本机聚合大得多。在本文中，我们提出了MemFHE，这是第一个加速器的客户端和服务器的最新的环GSW（Gentry，Sahai和Waters）的同态加密计划，使用内存处理（PIM）。PIM解决了大型FHE加密数据的数据移动问题，同时提供了FHE多项式运算所需的原位执行和广泛的并行性。虽然客户端PIM可以同态加密和解密数据，但服务器PIM可以处理同态加密的数据而无需解密。MemFHE的服务器PIM是流水线的，旨在提供灵活的引导，允许两种加密技术和各种FHE安全级别的基础上的应用程序的要求。我们评估MemFHE的各种安全级别，并将其与最先进的CPU实现基于环GSW的FHE。MemFHE在FHE算术运算方面比CPU（GPU）快20 kx（265倍），在使用FHE实现神经网络时，平均吞吐量比最先进的技术高2007倍。
2022-04-26 cs.AR cs.CR
Effect of Homomorphic Encryption on the Performance of Training Federated Learning Generative Adversarial Networks
Delft University of Technology（代尔夫特理工大学）
生成对抗网络（GAN）是机器学习（ML）领域中的深度学习生成模型，涉及使用相当大的数据集训练两个神经网络（NN）。在诸如医学的某些领域中，训练数据可以是跨不同医院存储的医院患者记录。经典的集中式方法将涉及将数据发送到集中式服务器，在那里训练模型。然而，这将涉及侵犯患者及其数据的隐私和保密性，这是不可接受的。因此，联邦学习（FL）是一种在分布式环境中训练ML模型而无需数据离开主机设备的ML技术，将是集中式选项的更好替代方案。在这种ML技术中，只有参数和某些元数据会被传递。尽管如此，仍然存在可以使用参数和元数据推断用户数据的攻击。完全隐私保护的解决方案涉及同态加密（HE）通信的数据。本文将重点关注使用三种不同类型的同态加密训练FL-GAN的性能损失：部分同态加密（PHE）、部分同态加密（SHE）和完全同态加密（FHE）。我们还将测试多方计算（MPC）的性能损失，因为它具有同态属性。性能将与训练没有加密的FL-GAN的性能进行比较。我们的实验表明，加密方法越复杂，所需的时间越长，与FL的基本情况相比，HE所需的额外时间相当显著。
2022-07-01 cs.AI cs.CR cs.LG
Compressed Oblivious Encoding for Homomorphically Encrypted Search
全同态加密（FHE）为安全搜索提供了一个简单、有吸引力的框架。与其他安全搜索系统相比，不需要昂贵的设置过程;客户端只需将加密的数据库上传到服务器就足够了。提供机密性是因为服务器只对加密的查询和记录进行操作。而搜索功能由加密方案的完全同态来实现。因此，这一问题越来越受到研究者的关注。自从Akavia等人（CCS 2018）提出了一个在FHE加密数据上进行安全搜索的框架，并给出了一个名为SPiRiT的工作实现以来，已经提出了几种更有效的实现。在本文中，我们确定了这个框架的主要瓶颈，并展示了如何显着提高性能的FHE为基础的安全搜索。特别地，1.为了检索$\ell$匹配项，现有框架需要顺序地重复协议$\ell$次。在我们的新框架中，所有匹配项都在单个协议执行中并行检索。2. Wren等人的最新工作（CCS 2020）需要$O(n)$乘法来计算第一个匹配索引。我们的解决方案不需要同态乘法，而是只使用加法和标量乘法来编码所有匹配的索引。3.我们的实现和实验表明，获取16个匹配的记录，我们的系统提供了一个1800倍的速度比最先进的在获取查询结果，导致在一个26倍的速度为完整的搜索功能。
2021-09-16 cs.CC cs.CR
HOACS: Homomorphic Obfuscation Assisted Concealing of Secrets to Thwart Trojan Attacks in COTS Processor
The University of Kansas（堪萨斯大学）
针对COTS处理器零信任场景下硬件木马窃取秘密的问题，提出基于剩余数编码的软件级全同态防御方案，无需修改硬件或信任供应链，通过LLVM插件集成到AES中，相比同类同态方案显著降低执行开销。
2024-02-15 cs.CR
Toward Practical Privacy-Preserving Convolutional Neural Networks Exploiting Fully Homomorphic Encryption
本文针对全同态加密在卷积神经网络推理中计算与内存开销过大的问题，提出结合GPU/ASIC加速、高效激活函数与优化打包方案的优化方法，在NVIDIA A100 GPU上将加密推理延迟降至1.4秒，并经定制硬件进一步降至0.03秒。
2023-10-25 cs.AR cs.CR
PrivTuner with Homomorphic Encryption and LoRA: A P3EFT Scheme for Privacy-Preserving Parameter-Efficient Fine-Tuning of AI Foundation Models
本文提出P3EFT框架及PrivTuner方案，将全同态加密融入LoRA实现隐私保护的参数高效微调，并针对无线通信场景构建联合优化问题设计资源分配算法，显著降低能耗并满足不同隐私需求。
2025-10-13 cs.CR
Homomorphic Advantage Operator: Stabilizing Reinforcement Learning Under Fully Homomorphic Encryption Constraints
El Oued University（瓦德大学）；King Fahd University of Petroleum and Minerals (KFUPM)（法赫德国王石油矿产大学）；Interdisciplinary Research Center For Smart Mobility and Logistics, KFUPM（法赫德国王石油矿产大学智能交通与物流跨学科研究中心）
针对全同态加密下强化学习多项式近似发散问题，提出同态优势算子，通过零均值投影消除贝尔曼漂移，在多种实验中实现零边界违反并提升策略准确率。
2026-10-02 cs.AI cs.CR
A Secure Cyclic Steganographic Technique for Color Images using Randomization
信息安全是当今时代的一个主要问题。几乎所有的通信机构都希望其个人数据的安全性、机密性和完整性。但是，当我们使用一个开放的网络，如互联网，这一安全目标并不容易实现。隐写术为这个问题提供了最好的解决方案之一。本文提出了一种新的基于最低有效位（LSB）的真彩色（RGB）图像循环隐写技术（CST）。该方法以随机循环的方式将秘密数据隐藏在覆盖图像像素的LSB中。所提出的技术进行评估，使用主观和客观的分析，直方图的可变性，峰值信噪比（PSNR）和均方误差（MSE）。实验结果表明，该方法在安全性、不可见性和鲁棒性方面都优于已有的方法，证明了该方法的有效性。
2015-02-27 cs.CR cs.MM
FHEON: A Configurable Framework for Developing Privacy-Preserving Neural Networks Using Homomorphic Encryption
针对机器学习即服务中的隐私问题，本文提出可配置框架FHEON，支持基于同态加密的隐私保护CNN推理模型开发，在多个基准模型上实现了接近明文的准确率与实用的性能开销。
2025-10-05 cs.CR
Activate Me!: Designing Efficient Activation Functions for Privacy-Preserving Machine Learning with Fully Homomorphic Encryption
本文针对全同态加密机器学习中非线性激活函数难以实现的问题，在 LeNet-5 和 ResNet-20 上设计并评估了平方函数和 ReLU 的多种实现方案，揭示了推理速度与准确率之间的关键权衡。
2025-08-15 cs.CR
Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
ISEP, School of Engineering, Polytechnic of Porto（ISEP工程学院，波尔图理工学院）；GECAD, Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development（GECAD，智能工程与计算高级创新与发展研究组）
本文提出一种隐私保护框架，利用CKKS实现加密数据上的近似实数运算，展示KNN、线性回归和加密推理的可行性，验证了同态加密在保持准确性的同时的有效性。
2026-04-25 cs.AI cs.CR
Privacy-Preserving Data Processing in Cloud : From Homomorphic Encryption to Federated Analytics
本文综述了云计算中隐私保护的数据处理方法，包括同态加密、差分隐私以及联邦学习等技术，探讨了其在医疗、金融等领域的应用及隐私与效率的权衡。
2026-01-10 cs.CR cs.DC
On the (non-)resilience of encrypted controllers to covert attacks
研究探讨了加密控制器在面对隐秘攻击时的鲁棒性问题，提出通过可验证计算实现安全防护，无需通信开销。
2026-05-15 cs.CR cs.SY eess.SY
Verifiable Privacy-Preserving Computing
该研究针对数据密集型外包场景对隐私与可验证正确性的双重需求，分析了结合可验证性与分布式数据隐私保护计算的现有方案，分类比较37种方案的安全、效率等特性，并提出未来研究方向。
2024-04-16 cs.CR
Enabling Practical and Privacy-Preserving Image Processing
本文提出基于 CKKS 的像素级同态加密方法 iCHEETAH，通过三种缓存机制大幅提升加密效率，在保持图像质量的同时实现最高 19 倍加密加速和 91.53% 的应用加速，并证明其 IND-CPA 安全性。
2024-09-05 cs.CR
SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
Institute of Industrial Automation and Software Engineering, University of Stuttgart（斯图加特大学工业自动化与软件工程研究所）；Eindhoven University of Technology (TU/e)（埃因霍温理工大学）
该研究提出SecureDrive-FL框架，结合DP-SGD与GASHE，在联邦驾驶员监控任务中实现投毒抗性与MitM拦截防护，仅增加少量运行开销。
2026-08-28 cs.CR cs.LG
Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering
Nanyang Technological University（南洋理工大学）
本研究提出利用全同态加密的隐私保护图机器学习方法，实现跨机构协作反洗钱，开发了GNN和XGBoost两条流水线，在加密推理下保持高精度，并显著提升不平衡数据的F1分数。
2024-11-11 cs.CR cs.LG
Confused Modulo Projection based Somewhat Homomorphic Encryption -- Cryptosystem, Library and Applications on Secure Smart Cities
Beijing Electronic Science and Technology Institute（北京电子科技学院）；State Key Laboratory of Cryptology（密码学国家重点实验室）；Beijing University of Posts and Telecommunications（北京邮电大学）；Minzu University of China（中央民族大学）；NIT Patna（印度国家理工学院巴特那分校）；Kyushu Institute of Technology（九州工业大学）
随着云计算的发展，海量视觉媒体数据的存储和处理逐渐转移到云服务器上。例如，如果智能视频监控系统无法在本地处理大量数据，则会将数据上传到云端。因此，如何在不暴露原始数据的情况下处理云中的数据成为一个重要的研究课题。提出了一种基于混淆模投影定理的半同态加密密码系统CMP-SWHE，该密码系统允许服务器在不需要\emph{seeing}提供用户数据有效信息的情况下完成盲数据处理。在客户端，原始数据通过放大、随机化和设置混淆冗余进行加密。在服务器端对加密数据进行操作等同于对原始数据进行操作。作为扩展，设计并实现了一种基于批处理技术的加速版本盲计算方案，提高了计算效率。为了使该算法易于使用，我们还设计并实现了一个高效的通用盲计算库CMP-SWHE。我们将该库应用于前景提取、光流跟踪和目标检测，取得了令人满意的结果，有助于智慧城市的建设。我们还讨论了如何将该算法扩展到深度学习应用中。与其他同态加密密码系统和库的比较结果表明，我们的方法在计算效率上具有明显的优势。虽然我们的算法在数据量太大时会有一些微小的误差（$10^{-6}$），但它是非常高效和实用的，特别适合于盲图像和视频处理。
2020-12-19 cs.CR cs.CV
Efficient Pruning for Machine Learning Under Homomorphic Encryption
IBM Research – Israel（IBM以色列研究院）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
提出HE-PEx框架，结合瓦片张量打包、置换剪枝和扩展恢复，在HElayers上实现PPML推理加速10-35%、内存降低17-35%，密文减少33-65%，精度损失小于2.5%。
2024-11-04 cs.CR cs.LG
PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks
STAM Center, Ira A. Fulton Schools of Engineering, Arizona State University（STAM中心、伊拉·A·福鲁顿工程学院、亚利桑那州立大学）；Faculty of Technical Sciences, University of Novi Sad（技术科学学院、诺维萨德大学）
针对脉冲神经网络的数据隐私问题，提出基于CKKS同态加密的PRIVSPIKE隐私推理框架，通过两种激活函数评估算法实现高精度加密推理，在多个数据集和模型上验证了其有效性与效率优势。
2025-10-05 cs.AI cs.CR
Hardware-Friendly Randomization: Enabling Random-Access and Minimal Wiring in FHE Accelerators with Low Total Cost
Chain Reaction, Ltd.（链反应有限公司）
该研究提出了一种低总成本的硬件友好的随机化方案，通过减少通信开销和布线需求，实现FHE加速器中的高效随机访问和低功耗。
2026-02-23 cs.AR cs.CR
Secure Computation over Encrypted Databases
本文揭示了对安全k-近邻计算方案中密钥机密性的攻击，证明查询用户可提取密钥并恢复明文数据，进而提出增强加密方案以抵御此类攻击。
2023-08-05 cs.CR
DCT-CryptoNets: Scaling Private Inference in the Frequency Domain
Purdue University（普渡大学）
提出DCT-CryptoNets，利用频域中的离散余弦变换减少非线性激活和自举开销，实现高达5.3倍延迟降低，并在ImageNet上2.5小时内完成推理，提升可扩展性与可靠性。
2025-01-22 cs.CR cs.CV cs.LG
Privacy-Preserving Federated Recurrent Neural Networks
本研究提出RHODE系统，依托多方同态加密实现跨机构联邦学习下RNN的隐私保护训练与预测，通过多维打包提升加密运算效率，支持加密梯度裁剪，实验验证其性能接近非安全方案且扩展性良好，为加密联邦RNN训练提供首个基础模块系统。
2023-05-03 cs.CR
ECG-PPS: Privacy Preserving Disease Diagnosis and Monitoring System for Real-Time ECG Signal
本研究开发了名为ECG-PPS的实时心电监测分析系统，结合三导联采集硬件、AES加密与全同态加密技术，实现加密存储、同步可视化及密文统计分析，在保障数据隐私的同时提升健康监测的安全性与效率。
2024-11-02 cs.CR
Efficient and Verifiable Privacy-Preserving Convolutional Computation for CNN Inference with Untrusted Clouds
Shandong University（山东大学）；Binzhou Polytechnic（滨州职业学院）；Shandong Sansec Information Technology Co., Ltd（山东三未信安信息科技有限公司）
本文针对不可信云环境下CNN推理的隐私与效率问题，提出一种面向卷积层的高效可验证隐私保护方案，在10个数据集上实现26至87倍加速且保持准确率。
2025-08-19 cs.CR cs.LG
