Compile-Time Fully Homomorphic Encryption of Vectors: Eliminating Online Encryption via Algebraic Basis Synthesis
本研究提出编译时FHE密文合成框架，用预计算加密基向量加运行时缩放零加密构造密文，消除在线加密，证明其IND-CPA安全性，降低内存开销且兼容标准FHE操作，适用于加密数据库等场景。
2025-05-22 cs.CR
Scaling up FHE-based Privacy-Preserving ML: Higher Throughput, Longer Inputs for LLama-3-8B
Graduate School of Convergence Science and Technology, Seoul National University（首尔大学融合科学技术研究生院）；CryptoLab, Inc.（CryptoLab公司）；Department of Mathematics, Seoul National University（首尔大学数学系）
针对FHE-based LLM推理中输入长度扩展性差和非线性层评估受异常值影响的问题，采用令牌预置、正交旋转和稀疏密文多项式求值方法，结合快速同态线性代数技术，实现128加密令牌推理加速，并扩展至数千令牌的异构输入，在Llama-3-8B上取得显著性能提升。
2026-06-18 cs.CR
Hermes: Efficient Global Homomorphic Aggregation over Mutable Packed Ciphertexts
University of Washington（华盛顿大学）；Tacoma School of Engineering and Technology（塔科马工程与技术学院）
Hermes通过引入SIMD-aware打包数据模型和多项式槽掩码技术，实现高效全局聚合和动态元组更新，提升性能与安全性。
2026-04-25 cs.CR cs.DB
An Open-Source End-to-End FHE Implementation for Privacy-Preserving Llama 3 8B Inference
School of Cyber Science and Technology, Shandong University（山东大学网络空间安全学院）
针对云 LLM 推理的隐私风险，提出 FHE 推理系统 Odin，通过协同设计密文打包与模型执行，在 Llama-3-8B 上实现 4.51 倍加速，为首个开源端到端 GPU CKKS 实现。
2026-10-15 cs.CR
PixCrypt: Fast Fine-Grained FHE with Range-Aware Caching
Worcester Polytechnic Institute（伍斯特理工学院）；University of Washington（华盛顿大学）
针对细粒度加密数据计算开销大的问题，提出基于缓存与系数级操作的加速机制PixCrypt，支持CKKS、BFV和BGV，实现高达35倍加速并保持IND-CPA安全，提升FHE实用性。
2026-09-15 cs.CR
CryptoLight: An Electro-Optical Accelerator for Fully Homomorphic Encryption
全同态加密（FHE）通过使计算直接发生在密文上来保护云计算中的数据隐私。为了改善耗时的FHE操作，我们提出了一个电光（EO）FHE加速器，CryptoLight。与之前的FHE加速器相比，平均而言，CryptoLight将各种FHE应用的延迟降低了>94.4%，能耗降低了>95%
2023-01-27 cs.AR cs.CR
Hades: Homomorphic Augmented Decryption for Efficient Symbol-comparison -- A Database's Perspective
本文提出HADES框架，基于RLWE实现无需密文扩展的FHE密文高效安全比较，支持整数和浮点运算，并在真实数据集上优于现有基线。
2024-12-28 cs.CR cs.DB
FDFB: Full Domain Functional Bootstrapping Towards Practical Fully Homomorphic Encryption
所有已知的全同态加密（FHE）方案的密文计算都会引入噪声，如果噪声太大，会破坏明文。因此，重新加密密文并降低噪声水平的自举技术仍然是为任意无界计算构建FHE方案的唯一已知方式。自举步骤也是当前FHE方案中的主要效率瓶颈。一个有前途的方向，以提高具体的效率是利用自举过程执行有用的计算，同时减少噪音。我们展示了一个自举算法，它嵌入了一个查找表，并评估任意函数的明文，同时减少噪声。根据参数的选择，所得到的同态加密方案可以是精确FHE或用于近似算术的同态加密。由于我们可以在明文空间上计算任意函数，因此我们可以使用Regev加密的自然同态来计算仿射函数，而无需几乎免费的自举。因此，我们的算法是特别适合于电路与许多加法和标量乘法门。我们实现了这种电路的创纪录速度。例如，在精确的FHE设置中，我们实现了超过3000倍于最先进方法的加速。实际上，我们将评估时间从数周或数天缩短到几小时或几分钟。此外，我们注意到，随着仿射函数的大小，加速比变得更加显著。我们提供了一个严格的错误分析，并显示了几个参数集，我们的自举。最后，我们实现了我们的算法，并提供了广泛的测试。我们证明了我们的算法，通过评估不同的神经网络在几个参数和精度设置。
2021-09-06 cs.CR
Efficient Privacy-Preserving Convolutional Spiking Neural Networks with FHE
本文提出FHE-DiCSNN框架，将TFHE全同态加密与脉冲神经网络的离散特性结合，并用卷积编码替代泊松编码，在MNIST密文上实现97.94%准确率且单次预测仅需0.75秒。
2023-09-16 cs.CR cs.CY
FHE-SQL: Fully Homomorphic Encrypted SQL Database
FHE-SQL提出一种全同态加密数据库系统，在加密状态下执行通用SQL查询，消除泄漏渠道，无需可信硬件，并通过间接架构降低密文开销，实现端到端隐私保护。
2025-10-17 cs.CR cs.DB
vFHE: Verifiable Fully Homomorphic Encryption with Blind Hash
全同态加密（FHE）是一种功能强大的加密技术，它允许在不需要解密的情况下对密文执行计算。因此，FHE将实现隐私保护计算和广泛的应用，例如敏感医疗和金融数据的安全云计算，安全机器学习等。然而，在解决FHE计算的主要挑战方面的研究一直很缺乏：客户端数据所有者无法验证服务和计算提供商执行的计算的完整性，因此无法确保计算结果的正确性。当服务或计算提供者可能以不可信、不可靠或恶意的方式行事并篡改计算结果时，这尤其令人担忧。先前关于确保FHE计算完整性的工作是非通用的或产生太多开销。我们建议vFHE增加计算完整性FHE而不失去普遍性，而不会产生高性能的开销。
2023-03-15 cs.CR
Federated Learning: An approach with Hybrid Homomorphic Encryption
针对联邦学习中模型更新易泄露隐私、纯全同态加密方案客户端开销高的问题，提出结合PASTA对称密码与BFV的混合同态加密框架，大幅降低客户端带宽和耗时，但服务器计算成本显著上升。
2025-09-03 cs.CR
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
Bridging the Gap Between PHE and FHE: A Performance and Trade-off Analysis of The Somewhat Homomorphic BGN Cryptosystem
Neo4j；Ibn Haldun University（伊本·哈尔敦大学）
本文将半同态BGN密码系统集成到lightphe框架，对比PHE与FHE开展基准测试，揭示其计算与通信的权衡特性，确立其为带宽受限去中心化架构的实用隐私保护加密引擎。
2026-08-03 cs.CR
WHET: Welding Homomorphic Encryption to Accelerator Architectures
Seoul National University（首尔大学）
针对FHE加速中密码学与硬件设计脱节的问题，提出内存中心、架构感知的优化方法，通过细粒度系数到槽变换、明文压缩和中间模数提升减少片上数据占用，并引入轻量级架构改进，实现1.38-8.74倍面积效率提升及亚毫秒级CKKS自举。
2026-06-11 cs.CR
BTS: An Accelerator for Bootstrappable Fully Homomorphic Encryption
同态加密（HE）通过提供对加密数据（密文）的计算来实现将计算安全地卸载到云。HE基于噪声加密方案，其中噪声随着对数据应用更多计算而累积。适用于数据的有限数量的操作阻止了实际应用利用HE。引导通过刷新密文来实现无限数量的操作或完全HE（FHE）。不幸的是，自举需要大量的额外计算和内存带宽。先前的工作已经提出了用于FHE的计算原语的硬件加速器。然而，据我们所知，这是第一个提出硬件FHE加速器，支持引导作为一等公民。特别是，我们提出了BTS -引导，技术驱动，安全加速器架构FHE。我们确定了在加速器中支持自举的挑战，并分析了所需的片外内存带宽和计算。特别是，由于现代存储器技术的限制，我们确定了他的参数集，是有效的FHE加速。基于我们的分析所获得的见解，我们提出BTS，它有效地利用了并行性固有的HE操作，安排了大量的处理元素在一个网格。我们提出了BTS的设计和微架构，包括利用确定性通信模式的片上网络设计。BTS在ResNet-20和逻辑回归上的执行时间比CPU提高了5，556倍和1，306倍，芯片面积为373.6mm^2，功率高达163.2W。
2022-04-29 cs.AR cs.CR
Fast Plaintext-Ciphertext Matrix Multiplication from Additively Homomorphic Encryption
针对明文-密文矩阵乘法，提出基于非打包加法同态加密的高效方法，应用Cussen压缩-重构算法，在Raspberry Pi 5上实现最高一个数量级加速。
2025-04-20 cs.CR
Optimizing relinearization in circuits for homomorphic encryption
全同态加密（FHE）允许不可信方评估算术加密，即，在没有解密密钥的情况下对加密数据执行加法和乘法。最有效的一类FHE计划包括BGV和FV计划，这是基于RLWE问题的难度。它们有一些共同的特征：密文大小在每次同态乘法之后都会增长;乘法比加法成本高得多，同态乘法的成本与输入密文大小呈线性关系。此外，还有一种特殊的重新线性化操作，可以减少密文的大小，并且重新线性化的成本与同态乘法的数量级相同。这促使我们定义一个离散优化问题，即决定在给定电路中的何处（以及多少）重新线性化，以最小化总计算成本。本文给出了再线性化问题的形式化定义。证明了该问题是NP-困难的。此外，在每个顶点至多有一条出边的特殊情况下，我们给出了一个多项式时间算法。
2017-10-25 cs.CR cs.DS math.OC
SoK: Fully Homomorphic Encryption Accelerators
本文首次系统研究了14种全同态加密（FHE）加速器，通过定性分析演化轨迹与定量评估开源测试平台，为未来FHE加速器的设计与实现指明方向。
2024-01-31 cs.AR cs.CR
CryptoTrain: Fast Secure Training on Encrypted Dataset
University of Central Florida（中佛罗里达大学）；University of Pittsburgh（匹兹堡大学）
针对安全训练中FHE自举操作的高昂开销，本文提出CryptoTrain框架，结合FHE与OT协议，并引入CCMul-Precompute和相关多项式卷积技术，使训练时间相比先前方法减少约5.3倍。
2024-09-26 cs.CR cs.DB cs.LG
HE-LRM: Encrypted Deep Learning Recommendation Models using Fully Homomorphic Encryption
New York University（纽约大学）；LG Electronics USA, Inc.（LG电子美国公司）
HE-LRM通过全同态加密实现高效隐私保护的嵌入查找，提升神经推断性能。
2026-07-21 cs.CR
ILA: Correctness via Type Checking for Fully Homomorphic Encryption
提出面向正确性的中间语言ILA，通过不依赖密钥的类型系统静态跟踪FHE电路噪声与回绕错误，并基于通用FHE模型为BGV、BFV和TFHE方案提供功能正确性保证。
2025-09-15 cs.CR cs.PL
TFHE-SBC: Software Designs for Fully Homomorphic Encryption over the Torus on Single Board Computers
针对单板计算机上TFHE加密效率低、密文大及硬件加速受限的问题，提出专用软件设计TFHE-SBC，加速客户端操作，使加密速度提升2486倍、通信效率提升512倍、能效提升12至2004倍。
2025-04-26 cs.CR
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
FAB: An FPGA-based Accelerator for Bootstrappable Fully Homomorphic Encryption
FHE通过允许以加密形式对数据进行计算，为第三方云服务器上的私有数据提供保护。然而，为了支持通用加密计算，所有现有的FHE方案都需要称为自举的昂贵操作。不幸的是，自举所需的计算成本和内存带宽给基于FHE的计算增加了显著的开销，限制了FHE的实际使用。在这项工作中，我们提出了FAB，一个基于FPGA的可引导FHE加速器。现有的基于FPGA的FHE加速器已经提出了用于不切实际的参数集的基本FHE原语的硬件加速，而不支持自举。FAB有史以来第一次在FPGA上加速自举（以及基本的FHE原语），以获得安全实用的参数集。我们的工作的关键贡献是架构一个平衡的FAB设计，这是不受内存限制。为此，我们利用最近的算法进行自举，同时认识到我们的FPGA的计算和内存限制。我们使用最少数量的功能单元进行计算，在低频率下操作，利用高数据率和主存储器，有效地利用有限的片上存储器，并仔细执行操作调度。对于引导完全打包的密文，在300 MHz下运行时，FAB分别比现有最先进的CPU和GPU实现高出213倍和1.5倍。我们的目标FHE应用程序是在加密数据上训练逻辑回归模型。对于在云上扩展到8个FPGA的逻辑回归模型训练，FAB的性能比CPU和GPU高出456倍和6.5倍，并且与最先进的ASIC设计相比，以很小的成本提供了有竞争力的性能。
2022-07-25 cs.AR cs.CR
Taiyi: A high-performance CKKS accelerator for Practical Fully Homomorphic Encryption
本文提出Taiyi加速器，针对全同态加密应用中瓶颈从NTT转向内积及KeySwitch最优α变化，设计专用硬件并优化NTT和BConv，实现平均1.5倍性能提升和15.7%面积减少。
2024-03-15 cs.AR cs.CR
Privacy-Preserving Product-Quantized Approximate Nearest Neighbor Search Framework for Large-scale Datasets via A Hybrid of Fully Homomorphic Encryption and Trusted Execution Environment
本文提出PPPQ-ANN框架，结合全同态加密和可信执行环境，优化大规模数据集的隐私保护近邻搜索，实现快速数据库生成和高吞吐量检索。
2026-04-20 cs.CR
An Unbounded Fully Homomorphic Encryption Scheme Based on Ideal Lattices and Chinese Remainder Theorem
我们提出了一个无界的全同态加密方案，即一个方案，允许一个计算的加密数据的任何所需的功能，而不需要解密的数据或知道的解密密钥。这是对Rivest，Adleman和Dertouzos \cite{32}在1978年提出的一个老问题和几年前在Peikert \cite{28}中出现的一些新问题（开放问题10和开放问题11）的合理解答。我们的方案与Gentry在2009年的突破性作品\cite{14,15}完全不同。Gentry的自举技术构造了一个完全的同态加密（FHE）计划，从一个有点同态，是强大到足以评估自己的解密功能。迄今为止，它仍然是唯一已知的获得无界FHE的方法。我们构造的无界FHE方案是简单的和无噪声的，可以处理任何刷新密文的无界同态计算，而无需自举变换技术。
2023-01-28 cs.CR math.RA
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
Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption
University of Washington（华盛顿大学）
该研究提出基于加法同态加密的音乐检索方法，实现音乐专用推理攻击量化、结构感知加法原语优化，在四组音频数据集上验证其兼具隐私性与高效扩展性。
2026-07-30 cs.AI cs.CR cs.DB
Public-Decay Homomorphic State Space Models for Private Sequence Inference
School of Technology and Management (ESTG-IPVC) Polytechnic Institute of Viana do Castelo（技术与管理学院（ESTG-IPVC）葡萄牙维亚纳多卡斯托尔理工大学）
本文提出公共衰减同态状态空间模型（HSSMs），通过加密-明文公共衰减更新状态，实现隐私序列推断，在保持加密状态的同时提升效率和准确性。
2026-05-15 cs.CR cs.LG
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
Preserving Data Privacy in Learning Causal Structure with Fully Homomorphic Encryption
Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））；Hong Kong University of Science and Technology（香港理工大学）；University of California, Berkeley（加州大学伯克利分校）
针对分布式因果结构学习中的隐私泄露问题，提出基于全同态加密的方法，通过电路简化、除法和对数近似以及SIMD批处理技术，在加密数据上高效完成因果结构学习，并支持扩展到差分隐私。
2026-06-03 cs.CR cs.LG
When and Where Faults Matter: A Study of Transient Errors in CKKS Multiplication
University of Buenos Aires（布宜诺斯艾利斯大学）；IBM T. J. Watson Research Center（IBM T.J. 沃森研究中心）；Georgetown University（乔治城大学）
本文研究全同态加密计算中的瞬态错误，聚焦未优化CKKS方案的服务器端同态乘法，发现密文分量\boldsymbol{c}_0和\boldsymbol{c}_1中错误的时机与位置对最终FHE输出正确性有显著影响。
2026-08-12 cs.AR cs.CR
GME: GPU-based Microarchitectural Extensions to Accelerate Homomorphic Encryption
本文提出GME，通过在AMD CDNA GPU架构上集成片上互连、模归约硬件单元和流水线算术核心等微架构扩展及编译优化，显著加速全同态加密，相比CPU、GPU和FPGA实现取得最高796倍加速。
2023-09-20 cs.AR cs.CR
FPGA Acceleration of Fully Homomorphic Encryption with Adaptive Key Switching
University of Southern California（南加州大学）；DEVCOM Army Research Office（美军研发司令部陆军研究办公室）
针对全同态加密中密钥切换瓶颈，提出自适应选择HKS与KLSS的FPGA加速器，基于性能模型动态切换，在Alveo U280上实现1.84-3.31倍引导加速和1.66-2.52倍图像分类加速。
2026-09-10 cs.AR cs.CR
HyPHEN: A Hybrid Packing Method and Optimizations for Homomorphic Encryption-Based Neural Networks
Seoul National University（首尔大学）
针对全同态加密卷积神经网络推理的高开销问题，提出HyPHEN混合打包方法，结合新卷积算法与优化，将CIFAR-10推理降至1.4秒并首次实现ImageNet推理。
2023-12-08 cs.AI cs.CR
GPU Acceleration of Sparse Fully Homomorphic Encrypted DNNs
University of Glasgow（格拉斯哥大学）；University of Murcia（穆尔西亚大学）；Northeastern University（东北大学）；AMD（超威半导体公司）
本文提出在AMD GPU上加速深度神经网络中矩阵乘法的方法，利用FIDESlib库优化稀疏矩阵运算，提升运行效率并降低时间复杂度。
2026-04-13 cs.CR cs.DC cs.DS
Bootstrapping as a Morphism: An Arithmetic Geometry Approach to Asymptotically Faster Homomorphic Encryption
针对全同态加密自举过程受解密电路乘法深度限制的瓶颈，本文提出基于算术几何的自举新方法，将其转化为理想格上CVP的代数折叠求解，复杂度消除了乘法深度因子，实现了渐近性能的根本性提升。
2025-09-29 cs.CR math.AG math.NT
Constructing a fully homomorphic encryption scheme with the Yoneda Lemma
本文利用米田引理统一解释多种经典同态加密系统，提出 Yoneda Encryption Scheme 框架，并据此设计无需自举即可支持任意加密乘加序列的全同态加密方案 ACES。
2025-02-05 cs.CR math.CT
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
FedBit: Accelerating Privacy-Preserving Federated Learning via Bit-Interleaved Packing and Cross-Layer Co-Design
Microelectronics Thrust The Hong Kong University of Science
针对 FHE 联邦学习的高计算与通信开销，提出软硬件协同框架 FedBit，通过位交错打包、FPGA 加速和数据流优化实现显著提速并降低通信成本。
2025-09-27 cs.AR cs.CR cs.LG
On Compression Functions over Groups with Applications to Homomorphic Encryption
本文系统研究了群上满足特定条件的压缩函数，证明其在可解群上不存在，并在 A_5 上构造出最短表达式，从而给出更高效的 FHE 构造归约。
2025-07-03 cs.CR math.GR
Confidential and Protected Disease Classifier using Fully Homomorphic Encryption
University at Buffalo, The State University of New York（纽约州立大学布法罗分校）；IBM Research（IBM研究院）
本文提出一种结合全同态加密与深度学习的端到端安全疾病诊断框架，通过将神经网络适配到加密域并设计更快的密文求和算法，在保护用户医疗隐私的同时实现极小的性能损失。
2024-05-05 cs.CR cs.LG
A Scalable Architecture for Efficient Multi-bit Fully Homomorphic Encryption
针对多位TFHE受限于数值表示宽度的问题，提出硬件加速器Taurus，利用新型FFT单元和密钥重用策略支持高达10位密文，配合操作去重编译器，实现比CPU快2600倍、比GPU快1200倍的提升，并首次支持GPT-2等大模型的隐私保护推理。
2025-09-16 cs.AR 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
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
mmFHE: mmWave Sensing with End-to-End Fully Homomorphic Encryption
Cornell Tech（康奈尔技术学院）
mmFHE通过全同态加密实现端到端毫米波雷达传感，利用轻量级边缘设备加密原始距离剖面，并在不可信云平台执行信号处理和机器学习推理。其核心是七个可组合的数据无关同态加密内核，提供输入隐私和数据无关性保障，实验证明在公开数据集上具有高精度和低延迟。
2026-09-11 cs.CR cs.LG eess.SP
Billion-Scale Nearest-Neighbor Search under Fully Homomorphic Encryption on a Single GPU, Balancing Leakage and Cost
Drexel University（德雷塞尔大学）；Miriel AI
该研究提出单GPU上基于全同态加密的十亿级最近邻搜索系统，结合降维与分层结构，在多个数据集上实现高效查询，同时平衡了访问模式泄露与计算开销。
2026-08-24 cs.CR
When approximate design for fast homomorphic computation provides differential privacy guarantees
Institut LIST, CEA, Université Paris-Saclay（巴黎萨克雷大学原子能和替代能源委员会LIST研究所）
本文提出了概率近似算法 SHIELD，通过在同态计算中放宽 argmax 算子的精度来兼顾快速执行与差分隐私保证，并将其集成至 SPEED 协作训练框架以提升计算效率。
2023-04-06 cs.CR cs.LG
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
Lightweight, Practical Encrypted Face Recognition with GPU Support
LG Electronics（LG电子）；Universidade de São Paulo（圣保罗大学）；Next-Generation Computing Research Lab, CTO, LG Electronics（LG电子CTO下一代计算研究实验室）
针对加密人脸识别中计算和内存开销高的问题，提出BSGS-Diagonal算法和GPU优化内核，实现快速、低内存的相似度计算，显著减少旋转密钥数量并提升运行时性能。
2026-09-24 cs.CR
HE^2: A Communication-Light Heterogeneous Architecture for Efficient Fully Homomorphic Encryption
State Key Laboratory of Processors, Institute of Computing Technology, CAS（中国科学院计算技术研究所处理器重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Cambricon Technologies（寒武纪科技）；School of Advanced Interdisciplinary Sciences, CAS（中国科学院前沿交叉科学研究院）
针对CKKS全同态加密方案中计算密集与内存密集操作并存导致的硬件开销大、效率低问题，提出一种结合ASIC与近内存处理器的轻通信异构架构HE^2，通过数据流图优化和架构协同设计减少密钥交换通信开销，实现1.66倍加速和9.23倍EDAP降低。
2026-05-29 cs.AR 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
