Traveling Salesman-Based Token Ordering Improves Stability in Homomorphically Encrypted Language Models
针对同态加密下LLM文本生成不稳定的问题，提出基于旅行商问题的令牌重排序策略及后处理步骤，防止崩溃并提升连贯性，实现隐私保护的LLM推理。
2025-10-14 cs.CR cs.LG
High-Resolution Convolutional Neural Networks on Homomorphically Encrypted Data via Sharding Ciphertexts
The Johns Hopkins University Applied Physics Laboratory（约翰霍普金斯大学应用物理实验室）
本研究拓展同态加密下的深度卷积神经网络评估方法，通过密文分片、优化行优先矩阵打包及训练正则化，实现高分辨率图像高效隐私推理，在ImageNet和CIFAR-10上分别取得80.2%和98.3%的准确率。
2024-01-29 cs.CR cs.LG
HERS: Homomorphically Encrypted Representation Search
Michigan State University（密歇根州立大学）
我们提出了一种方法来搜索一个探针（或查询）的图像表示对一个大的画廊在加密域。我们要求探针和图库图像以固定长度的表示形式表示，这对于从学习网络中获得的表示是典型的。我们的加密方案是不可知的固定长度的表示是如何获得的，因此可以应用于任何应用领域中的任何固定长度的表示。我们的方法，被称为HERS（同态加密表示搜索），操作通过（i）压缩表示向其估计的固有维数与最小的准确性损失（ii）加密压缩表示使用建议的完全同态加密计划，和（iii）有效地搜索直接在加密域中的加密表示的画廊，而不解密它们。在ImageNet等大型人脸、指纹和对象数据集上的数值结果表明，在加密域内进行准确和快速的图像搜索首次在规模上是可行的（500秒; $275\times$在加密搜索1亿个图库时的速度超过了最先进的技术）。代码可在https://github.com/human-analysis/hers-encrypted-image-search上获得
2022-06-18 cs.CR cs.CV cs.LG
HEFT: Homomorphically Encrypted Fusion of Biometric Templates
Michigan State University（密歇根州立大学）；University at Buffalo（布法罗大学）
提出了一种基于全同态加密（FHE）的非交互式端到端生物特征模板安全融合与匹配解决方案。给定一对加密的特征向量，我们执行以下密文操作，i）特征级联，ii）通过学习的线性投影进行融合和降维，iii）尺度归一化为单位$\ell_2$ -范数，以及iv）匹配分数计算。我们的方法，被称为HEFT（同态加密融合的生物识别模板），是定制设计，以克服FHE所施加的独特约束，即缺乏对非算术运算的支持。从推理的角度来看，我们系统地探索不同的数据包装方案的计算效率的线性投影，并介绍了多项式近似尺度归一化。从训练的角度来看，我们引入了一个FHE感知算法来学习线性投影矩阵，以减轻近似归一化引起的错误。人脸和语音生物特征的模板融合和匹配的实验评估表明，HEFT（i）与相应的unibiometric表示相比，在将特征向量压缩16倍的同时，提高了生物特征验证性能11.07%和9.58%AUROC（512 D到32 D），以及（ii）融合一对加密的特征向量，并在884 ms内计算其与大小为1024的图库的匹配分数https://github.com/human-analysis/encrypted-biometric-fusion
2022-08-15 cs.CR cs.CV
A Trend-following Trading Indicator on Homomorphically Encrypted Data
十多年来，货币交易已经在量化金融领域迅速发展。这些决定是在没有人为干预的情况下使用经纪公司和交易所提供的数据做出的。在经纪人和算法交易者之间出现了一个新兴的金融参与者中间层。这些参与者的作用是汇总算法交易者的市场决策，并将最终的市场订单发送给经纪人。作为回报，定量分析师得到的激励与他们预测的正确性成正比。在这样的设置中，中间参与者--聚合器--并不提供明文的市场数据，而是对其进行加密。加密市场数据可以防止定量分析师自己进行交易，并保持有价值的金融数据的私密性。本文提出了一个流行的趋势跟踪指标的实现与两个不同的同态加密库- SEAL和HEAAN -并比较它的交易指标实现的明文。然后尝试实施交易策略，并进行了分析。用SEAL和HEAAN实现的交易指标与在明文上实现的交易指标几乎相同，百分比误差分别为0.14916%和0.00020%。尽管同态加密对该算法的实现施加了许多限制，但量化金融具有从同态加密方法中受益的高潜力。
2020-04-30 cs.CR
Efficient Homomorphically Encrypted Convolutional Neural Network Without Rotation
本文提出一种无需密文旋转的服务器-客户端联合计算过程与滤波器系数打包方案，在不影响同态加密安全性的前提下，大幅降低了卷积与全连接层的运行时间及通信成本。
2025-08-14 cs.CR
An End-to-End Homomorphically Encrypted Neural Network
INTELI - Institute of Technology and Leadership（INTELI技术与领导力学院）
提出基于同态加密的端到端神经网络架构，实现加密数据上的隐私保护推理，并引入可微Soft-Argmax层提升安全性，在SST-2上达到普通模型82.5%的准确率。
2025-02-27 cs.AI cs.CR
Homomorphically encrypted gradient descent algorithms for quadratic programming
本文评估同态加密方案，提出并数值分析CKKS方案下梯度下降算法求解二次规划的可行性，强调乘法深度限制与步长选择，首次展示同态加密梯度下降的可行性。
2023-09-04 cs.CR cs.SY eess.SY
Fully Homomorphically Encrypted Deep Learning as a Service
University of Aberdeen（阿伯丁大学）；University of Lincoln（林肯大学）；Scotland’s Rural College（苏格兰乡村学院）
全同态加密（FHE）是隐私保护技术领域中相对较新的进展。FHE允许加法和乘法的任意深度计算，因此可以应用阿贝尔/多项式方程，如深度学习算法中的那些。该项目研究、推导并证明了如何以相对较低的时间复杂度大规模使用具有深度学习的FHE，以及这种系统所引发的问题，以及这些问题的缓解/解决方案。此外，我们还讨论了这将如何对数据隐私的未来产生影响，以及它如何能够在农业食品供应链中的各个参与者之间实现数据共享，从而允许开发基于机器学习的系统。最后，我们发现，虽然FHE招致高空间复杂度成本，时间复杂度是在预期的合理范围内，同时允许绝对私人的预测，在我们的情况下，牛奶产量预测。
2021-07-26 cs.CR cs.LG
Falcon: Accelerating Homomorphically Encrypted Convolutions for Efficient Private Mobile Network Inference
School of Integrated Circuits, Peking University（北京大学集成电路学院）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；Institute of Electronic Design Automation, Peking University（北京大学电子设计自动化研究所）；Beijing Advanced Innovation Center for Integrated Circuits（北京集成电路先进制造创新中心）
针对现有基于同态加密的两方计算框架在高效网络上推理开销高的问题，提出具备零感知贪心打包和通信感知算子分块的Falcon算法，显著降低延迟并提升精度。
2023-08-25 cs.AI cs.CR
Hyena: Optimizing Homomorphically Encrypted Convolution for Private CNN Inference
针对隐私CNN推理中卷积层延迟占比过高的问题，本文提出Hyena框架，通过基于Walsh-Hadamard矩阵的明文乘法算法、最优加密参数选择与懒约简优化同态卷积，在多个深度CNN模型上实现了延迟、内存与通信成本的显著降低。
2025-03-24 cs.CR
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
Precise Approximation of Convolutional Neural Networks for Homomorphically Encrypted Data
同态加密是隐私保护机器学习（PPML）分类的代表性解决方案之一，使得服务器能够在保证隐私的同时对客户端的隐私数据进行分类。本文主要研究了基于全同态加密（FHE）的PPML。为了在逐字同态加密（HE）上实现深度学习，ReLU和最大池化函数应该由用于同态运算的一些多项式来近似。以前的大多数研究都集中在HE友好的网络上，其中ReLU和最大池函数使用低次多项式近似。然而，对于CIFAR-10数据集的分类，使用低次多项式需要设计新的深度学习模型和训练。此外，这种通过低次多项式的近似由于大的近似误差而不能支持更深的神经网络。因此，我们为ReLU和max-pooling函数提出了一种精确的多项式近似技术。使用单个多项式的精确近似需要指数高次多项式，这导致大量的非标量乘法。因此，我们提出了一种方法，使用小次数的极小极大近似多项式的组合来精确地近似ReLU和最大池化函数。如果我们用提出的近似多项式替换ReLU和最大池化函数，那么经过充分研究的深度学习模型（如ResNet和VGGNet）仍然可以在FHE上使用，而无需进一步修改PPML。即使是预训练的参数也可以使用，无需重新训练。我们使用次数为15、27和29的极大极小近似多项式的组合来近似ResNet-152中的ReLU和最大池化函数。然后，我们成功地对明文ImageNet数据集进行了分类，准确率为77.52%，非常接近原始模型的准确率78.31%。
2021-06-14 cs.CR
MOFHEI: Model Optimizing Framework for Fast and Efficient Homomorphically Encrypted Neural Network Inference
针对同态加密神经网络推理速度慢、内存消耗大的问题，提出 MOFHEI 框架，通过自动转换模型为 HE 友好版本并结合迭代块剪枝方法，大幅减少 HE 操作、降低延迟与内存消耗，同时保持模型性能。
2024-12-10 cs.CR
PPMI: Privacy-Preserving LLM Interaction with Socratic Chain-of-Thought Reasoning and Homomorphically Encrypted Vector Databases
Seoul National University（首尔国立大学）；Stanford University（斯坦福大学）；NVIDIA（英伟达）；University of Washington（华盛顿大学）
本文提出PPMI框架，通过苏格拉底式思维链推理与同态加密向量数据库，将任务在不可信的强LLM与本地弱模型间分解，在不泄露隐私的前提下实现了优于单独使用强模型的性能。
2025-11-01 cs.AI cs.CR
Enabling Homomorphically Encrypted Inference for Large DNN Models
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）；Intel Corporation（英特尔公司）
过去几年中，机器学习服务的激增引发了人们对数据隐私的担忧。同态加密（HE）支持使用加密数据进行推理，但它会导致100倍至10，000倍的内存和运行时开销。使用HE的安全深度神经网络（DNN）推理目前受到计算和存储器资源的限制，框架需要数百GB的DRAM来评估小模型。为了克服这些限制，在本文中，我们探讨了利用混合存储器系统的DRAM和持久性存储器组成的可行性。特别是，我们探索了最近发布的英特尔Optane PMem技术和英特尔HE-Transformer nGraph，以运行大型神经网络，如MobileNetV 2（最大的变体）和ResNet-50，这在文献中尚属首次。我们提出了一个深入的分析与不同的硬件和软件配置的执行效率。我们的研究结果得出结论，DNN推理使用HE招致友好的访问模式，这种内存配置，产生有效的执行。
2021-04-29 cs.CR cs.LG cs.PF
HE-MAN -- Homomorphically Encrypted MAchine learning with oNnx models
MCI Management Center Innsbruck（因斯布鲁克管理中心）；Fraunhofer Austria Research GmbH（弗劳恩霍夫奥地利研究有限公司）；SCCH Software Competence Center Hagenberg（哈根贝格软件能力中心）
本文提出开源两方机器学习工具集HE-MAN，利用全同态加密在ONNX模型上实现隐私保护推理，支持Concrete和TenSEAL两种方案，在保证准确率与明文模型相当的同时无需用户具备密码学专业知识。
2023-02-16 cs.CR cs.LG
CryptoGCN: Fast and Scalable Homomorphically Encrypted Graph Convolutional Network Inference
Lehigh University（理海大学）；Microsoft（微软）；Florida International University（佛罗里达国际大学）
最近，基于云的图卷积网络（GCN）在许多隐私敏感的应用（如个人医疗保健和金融系统）中表现出巨大的成功和潜力。尽管其在云上具有很高的推理准确性和性能，但在GCN推理中维护数据隐私对这些实际应用至关重要，但在很大程度上尚未探索。在本文中，我们采取了初步的尝试，并开发了$\textit{CryptoGCN}$ -一个同态加密（HE）的GCN推理框架。我们的方法成功的关键是减少HE操作的巨大计算开销，这可能比明文空间中的对应操作高出几个数量级。为此，我们开发了一种方法，可以有效地利用GCN推理中矩阵运算的稀疏性，以显着降低计算开销。具体而言，我们提出了一种新的AMA数据格式化方法和相关的空间卷积方法，它可以利用复杂的图形结构，并在HE计算中执行高效的矩阵-矩阵乘法，从而大大减少HE操作。我们还开发了一个协同优化框架，可以探索的准确性，安全级别和计算开销之间的权衡，明智的修剪和多项式近似的激活模块的GCN。基于NTU-XVIEW骨骼关节数据集，即，就我们所知，同态评估的最大数据集，我们的实验结果表明，$\textit{CryptoGCN}$在等待时间和同态操作的数量方面优于现有技术的解决方案，即，在等待时间上实现多达3.10 $\times$的加速，并且将总同态操作计数减少77.4%，具有1-1.5 $\%$的小准确度损失。
2022-10-26 cs.AI cs.CR cs.LG
LinGCN: Structural Linearized Graph Convolutional Network for Homomorphically Encrypted Inference
University of Rochester（罗切斯特大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）；Northeastern University（东北大学）；North Carolina State University（北卡罗来纳州立大学）；University of Connecticut（康涅狄格大学）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
针对同态加密下GCN推理计算开销大的问题，提出LinGCN框架，通过结构线性化、多项式激活替换与增强HE方案降低乘法深度，在NTU-XVIEW数据集上延迟较CryptoGCN提升14.2倍且保持75%准确率。
2023-10-04 cs.AI cs.CR cs.LG
HULK: An Efficient Algorithm for Enabling Fast Bulk Bitwise Operations on Homomorphically Encrypted Data
ETH Zürich（苏黎世联邦理工学院）；NTNU（挪威科技大学）；CISPA（蔡斯安全研究中心）
针对同态加密数据上批量按位运算延迟高、数据量大的问题，提出HULK算法，通过低成本同态加法和指示多项式实现快速运算，在13个端到端应用中最高提升性能7.26倍。
2026-10-13 cs.AR cs.CR cs.DC
Privacy Preserving Anomaly Detection on Homomorphic Encrypted Data from IoT Sensors
Technical University of Cluj-Napoca（克卢日-纳波卡理工大学）
本文提出一种在同态加密数据上高效检测异常值的隐私保护异常检测方法，通过改进TFHE方案中的直方图异常检测技术，克服输入大小和计算深度限制，实现无需解密的异常检测，具有鲁棒性和高效性。
2024-03-14 cs.CR
SEEK: Secure and Efficient Encrypted Keyword Search For Privacy-Preserving Messaging Protocols
New York University Abu Dhabi（纽约大学阿布扎比分校）
SEEK提出结合同态加密与安全两方计算的加密关键词搜索协议，实现高效隐私保护消息检测，显著降低开销并提升速度。
2026-09-17 cs.CR cs.IR
HEAX: An Architecture for Computing on Encrypted Data
UC San Diego（加州大学圣迭戈分校）；Microsoft Research（微软研究院）
随着云计算的快速增长，围绕数据隐私、安全性和机密性的关注也显著增加。不仅云提供商容易受到内部和外部黑客的攻击，而且在某些情况下，由于GDPR，HIPAA或CCPA等隐私法，数据所有者无法外包计算。全同态加密（FHE）是密码学领域的一项突破性发明，与传统密码系统不同，它可以在不解密的情况下对加密数据进行计算，但大规模部署FHE的最大障碍是巨大的计算开销。在本文中，我们提出了HEAX，一种新的硬件架构FHE，实现了前所未有的性能提高。HEAX利用多个级别的并行性，从密文级别到细粒度的模块化算术级别。我们的第一个贡献是一个新的高度并行化的数论变换（NTT）的架构，可以独立的兴趣，因为NTT是经常使用的许多基于格的密码系统。在NTT引擎的基础上，我们设计了一种新的同态加密数据计算架构。我们还介绍了几种技术，以实现端到端，完全流水线设计，以及减少片内存储器的消耗。我们在可重构硬件上的实现表明，对于广泛的FHE参数，性能提高了164- 268倍。
2020-01-23 cs.AI cs.AR cs.CR
CryptoUNets: Applying Convolutional Networks to Encrypted Data for Biomedical Image Segmentation
本文提出首个完全基于同态加密的隐私保护U-Net推理框架CryptoUNets，通过Double Volley Revolver编码方案支持跳跃连接与上采样，采用平方激活、平均池化及ConvTranspose2d等HE友好设计，在HEAAN库上实现加密生物医学图像分割。
2025-04-30 cs.CR
Verifiable Encodings for Secure Homomorphic Analytics
针对同态加密无法保证云端外包计算结果正确性的问题，本文提出两种错误检测编码与对应认证器，实现VERITAS系统，支持任意同态操作验证，可应用于多类隐私计算场景。
2024-06-04 cs.CR
POPE: Partial Order Preserving Encoding
最近，人们对在加密数据上执行搜索查询以在保护敏感数据的同时启用功能性很感兴趣。用于执行这种查询的一种特别有效的机制是保序加密/编码（OPE），其产生保持底层明文的相对顺序的密文，从而允许直接对密文执行范围和比较查询。在本文中，我们提出了一种替代方法来对加密数据进行范围查询，该方法经过优化以支持“大数据”应用程序中常见的插入繁重的工作负载，同时仍然保持搜索功能并实现更强的安全性。具体来说，我们提出了一个新的原语称为偏序保持编码（POPE），实现理想的OPE安全与频率隐藏，也留下了相当大的一部分数据成对不可比较。对于$0<ε<1$，我们的POPE方案仅使用O（1）持久和$O(n^ε)$非持久客户端存储，提供了由单轮组成的极快的批量插入，以及对于多达$O(n^{1-ε})$的搜索查询具有O（1）摊销成本的高效搜索。这种改进的安全性和性能使我们的计划更适合今天的插入繁重的数据库。
2016-10-13 cs.CR
PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation
针对机器学习模型部署中数据隐私与非线性激活函数不兼容同态加密的问题，提出PRISM框架，用同态兼容近似函数替代非线性激活并重构CNN架构，在CIFAR-10上实现94.4%准确率，平衡了隐私保护与计算效率。
2025-11-11 cs.AI cs.CR cs.LG
Curv-Tail: Lightweight Long-Tailed Encrypted Traffic Classification with Discrete Packet-Length Encoding and Lorentz Prototypes
National University of Defense Technology（国防科技大学）；Hunan First Normal University（湖南第一师范学院）
Curv-Tail提出轻量级端到端框架，通过混合分辨率包长度编码和Lorentz原型，在有限计算下提升长尾加密流量分类性能，显著超越基线并降低参数与推理开销。
2026-10-14 cs.CR eess.SP
nGraph-HE2: A High-Throughput Framework for Neural Network Inference on Encrypted Data
在之前的工作中，Boemer等人介绍了nGraph-HE，这是英特尔nGraph深度学习（DL）编译器的扩展，使数据科学家能够使用流行的框架（如TensorFlow和PyTorch）部署模型，只需最少的代码更改。然而，这类支持的模型仅限于具有多项式激活的相对浅的网络。在这里，我们介绍了nGraph-HE 2，它扩展了nGraph-HE，可以使用其原生激活函数和数字字段（通常是实数）对标准的预训练模型进行隐私保护推理。所提出的框架利用CKKS方案，其对实数的支持对数据科学是友好的，以及使用两方方法来计算激活函数的客户端辅助模型。我们首先提出了CKKS特定的优化，使标量编码的3x-88 x的运行时加速，并通过新的使用CKKS明文包装成复数的吞吐量增加一倍。其次，我们优化了密文-明文加法和乘法，产生2.6x-4.2x的运行时加速。第三，我们利用两个图级优化：延迟重新缩放和深度感知编码，这使我们能够显着提高性能。这些优化共同实现了CryptoNets网络上1，998张图像/秒的最先进吞吐量。使用客户端辅助模型，我们还对迄今为止最大的网络进行了同态评估（据我们所知），即ImageNet数据集上的预训练MobileNetV 2模型，具有60.4 \percent /82.7 \percent \ top-1/top-5的准确性和381 ms/图像的摊销运行时间。
2019-08-29 cs.CR
Outsourced Analysis of Encrypted Graphs in the Cloud with Privacy Protection
针对云外包图分析的隐私风险，提出基于 ASHE 与 SDHE 的 Eigen 衰减安全计算方案，并支持稀疏网络权衡，实验显示其在信息缩减、计算时间和存储成本上各有优势。
2023-04-21 cs.CR
A quantum approach to homomorphic encryption
加密方案通常从所使用符号的基础代数的属性中获得它们的能力。受群论工具的启发，我们使用一个子组的运算的中心化器来提出一个私钥量子同态加密方案，该方案可以在加密数据上进行广泛的量子计算。我们的编码的一个特定实例隐藏了加密信息的恒定部分。该分数可以任意接近于单位，开销仅在消息长度中多项式缩放。这突出了我们的协议隐藏大量信息的潜力，并暗示了可能产生更好安全性的一大类编码。
2015-05-12 cs.CR quant-ph
FEnc$^2$: Unifying Data Packing for Efficient Private Inference via Convolution and Architecture-Aware Fragment Encoding
University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）
提出FEnc$^2$框架，通过卷积感知编码和架构感知密文压缩优化CKKS加密推理中的密文打包，减少旋转和密文数量，实现端到端加速高达228倍。
2026-06-16 cs.CR cs.LG
Batched Paillier-Based Hamming-Distance Computation over Binary Embeddings
针对加密二进制嵌入的汉明距离计算，提出结合编码优化、预计算和GPU批处理的Paillier方案，实现较CPU基线数百倍的吞吐量提升。
2026-09-21 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
Characterizing the Sensitivity to Individual Bit Flips in Client-Side Operations of the CKKS Scheme
本文针对 CKKS 客户端编码、加密、解密与解码流程，理论与实验结合分析单比特翻转传播，揭示 RNS/NTT 优化会显著放大错误敏感性。
2025-09-29 cs.CR
Efficient Encrypted Computation in Convolutional Spiking Neural Networks with TFHE
School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间安全学院）；School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）；Center for Mathematical Science, Huazhong University of Science and Technology（华中科技大学数学中心）；Steklov-Wuhan Institute for Mathematical Exploration, Huazhong University of Science and Technology（华中科技大学斯捷克洛夫-武汉数学探索研究所）；Department of Mathematics and Department of Physics, Great Bay University（大湾区大学数学与物理学院）；Guangdong Provincial Key Laboratory of Mathematical and Neural Dynamical Systems（广东省数学与神经动力系统重点实验室）
本文提出FHE-DiCSNN框架，利用脉冲神经网络的离散特性实现安全高效的加密计算，结合卷积方法提升准确率并减少模拟时间，实验验证其在MNIST和FashionMNIST上的有效性。
2026-03-25 cs.CR cs.LG
