该论文针对全同态加密（FHE）保护下的生成式大模型私有推理效率问题提出 ROSETTA 框架。背景是：生成式 LLM 在代码生成、问答等任务上表现优异，普遍采用自回归逐 token 解码策略，但其广泛部署带来严重隐私担忧，促使业界采用基于 FHE 的私有推理方案。现有 FHE 框架的核心瓶颈在于非线性算子（如 Softmax、激活函数、归一化等）的密文求值代价极高，且在解码阶段占据主要开销。作者首先观察到解码阶段的非线性算子呈现异构负载特征，单一密码方案难以同时兼顾精度与速度，因此提出 CKKS/TFHE 混合方案。其两项关键贡献为：一是基于 TFHE 的自适应分段查找表（lookup-table）协议，用于高效且精确地求值非线性运算；二是方案感知的算子选择框架，可自动为每个非线性算子分配 CKKS 或 TFHE 执行路径，从而最小化端到端解码时延。实验表明，与当时最优（SOTA）框架 CacheMir 相比，ROSETTA 在 Softmax 上最高取得 4.8 倍加速，端到端解码取得 1.5 至 2.1 倍加速。论文视角属于系统与密码工程交叉研究，适合隐私计算、机密计算、FHE 编译与 LLM 推理加速方向的研究者与工程师阅读。

在全同态加密（FHE）中，云服务商可以在不接触明文的前提下对加密数据直接计算，是隐私保护型云应用的重要技术路线。众多 FHE 方案里，基于环面（Torus）的 TFHE 因支持任意布尔/算术门运算而具有最强通用性，但其代价是极高的计算与通信开销——尤以引导（bootstrapping）过程中反复执行的快速傅里叶变换（FFT）为核心瓶颈，严重制约了实际可用性。传统电子加速器受制于工艺缩放放缓与“存储墙”瓶颈，难以把 FFT 吞吐提升到足以支撑实用 TFHE 的程度。为此，作者提出 PHAT——面向 TFHE 的光子加速器，其核心是光寻址相变存储器（Optically-addressed Phase-Change Memory, OPCM）。基于 OPCM 的存内计算（PIM）体系在计算与通信吞吐上具备天然优势，与 TFHE 中的大规模 FFT 高度契合，但直接把 FFT 映射到 OPCM 会面临两个难题：模拟域高精度计算的可实现性，以及 OPCM 单元编程带来的高时延与高能耗。论文通过一套新颖的电-光混合加速器架构应对上述挑战，包含三部分设计：(1) 基于 OPCM 的 FFT 计算单元；(2) 为 OPCM 特性定制的 twiddle-stationary（旋转因子驻留）数据流，减少数据搬运与重复编程；(3) 调度机制，以最大化 FFT 单元利用率。实验表明，在四个真实 TFHE 工作负载上，PHAT 相对当前最先进的 ASIC 加速器取得 2.14×–5.10× 的加速。该工作显著提升了 TFHE 应用的性能上限，为云端高效、实用的同态加密计算提供了新的硬件路径。适合关注密码学硬件加速、存内计算/光子计算、以及隐私计算基础设施的读者。

本文针对全同态加密（FHE）在云端隐私保护计算中的性能瓶颈展开研究。FHE 允许云端在密文上直接计算，是实现隐私保护云服务的关键技术，但其计算开销极大，必须依赖硬件加速才能实用。在 FHE 的各类算子中，密钥切换（key-switching）是主要性能瓶颈之一。近期密码学进展提出了一种新的密钥切换方法 KLSS，它降低了部分运算复杂度，但对计算精度的要求高于传统的混合密钥切换方法 HKS。这一取舍使两种方法在计算量与访存需求上呈现明显差异，因此 KLSS 与 HKS 的相对时延高度依赖于硬件并行度、FHE 安全参数以及片上存储容量——在 FPGA 平台上尤为突出，因为 FPGA 的存储资源与并行度必须精细权衡。为此，作者首先提出一种访存高效的 KLSS 数据通路，消除了片外密文搬运；随后构建性能模型，对 KLSS 与 HKS 的开销进行建模与对比分析，分析表明在 FHE 计算过程中，同时支持两种方法的自适应方案比静态单一方法的总体时延更低。基于该性能模型的指导，作者设计了一款自适应 FPGA FHE 加速器，能够在计算过程中动态选择 HKS 或 KLSS。该加速器在 Alveo U280 上实现，并在多个 FHE 基准上评测，结果显示：相比当前最先进的 FPGA 加速器，自举（bootstrapping）时延加速 1.84–3.31 倍，安全图像分类加速 1.66–2.52 倍。论文属于体系结构与密码硬件加速方向，适合关注隐私计算、FHE 硬件实现、FPGA 架构与同态加密工程化的研究者与工程师阅读。

该论文研究的是"选择性同态推理"(selective homomorphic inference) 这一隐私保护推理范式。背景是: 全同态加密 (FHE) 允许服务端在完全不解密用户数据的前提下完成模型推理, 隐私性最强, 但代价是把整个输入都放进密文域计算, 开销极高, 尤其在深层网络上会迅速变得不可接受。作者提出的折中方案是: 只对输入中真正敏感的区域 (region of interest, ROI) 进行加密, 而与该区域无关的计算全部在明文域执行。论文强调, 这种选择性评估在网络架构不做任何重训练的前提下, 能够产出与"对整个输入做全 FHE 推理"完全一致的输出, 因此不损失模型精度, 只改变计算代价。 核心问题是: 这种混合模式在什么条件下才真正高效? 作者给出的解释是, 收益取决于"加密依赖"在网络中扩散的速度——一旦某个后续张量元素的计算依赖于被加密的 ROI, 该元素就必须一起进入密文域, 密文计算量因此随依赖传播而膨胀。对于较小的加密 ROI, 保局部性的架构 (计算只在小邻域内耦合, 例如局部感受野的卷积结构) 可以把加密依赖限制在很小的子张量内, 从而获得数量级的同态求值加速; 相反, 具有"早期全局混合"特性的架构 (例如在浅层就引入全局注意力、全局池化或其他跨位置聚合的结构) 会让加密依赖在前几层就扩散到整个特征图, 等于退化为全密文推理, 几乎没有任何加速可言。 论文的主要贡献可归纳为: (1) 提出并形式化了选择性同态推理的概念, 明确了它相对全 FHE 的等价输出与不重训练特性; (2) 用"加密依赖扩散速度"作为解释性机制, 把推理开销与网络架构的局部性联系起来; (3) 通过实验表明, 局部性保持型架构可获得数量级加速, 而早期全局混合架构基本无收益。结论是: 局部性 (locality) 是决定选择性同态推理收益的关键架构属性。 适合阅读的人群包括: 从事隐私保护机器学习、机密计算、FHE 推理系统优化的研究者与工程师; 需要在合规约束下设计或选型模型架构的架构师; 以及关注模型侧隐私泄漏面与加密边界的合规/安全人员。

全同态加密（FHE）允许第三方直接在加密数据上执行计算，是隐私计算的关键技术，但巨大的计算开销严重制约其实际应用。本文作者提出 Parasol Compiler，一个旨在大幅提升 FHE 程序效率的编译器框架。FHE 程序的效率瓶颈不仅来自密码学原语本身，也来自普通程序结构与同态运算之间的语义鸿沟。Parasol 编译器试图从编译层面入手，结合高级语言的前端表示、针对 FHE 的中间表示以及后端代码生成，实现一整套面向同态求值的优化流程。具体可能涉及：将复杂控制流转换为可同态执行的多项式形式；降低引导操作（bootstrapping）的调用频率与插入开销；优化噪声预算的分配策略；自适应地选择适合不同 FHE 实施方案（如 BGV、BFK、CKKS）的代码生成路径；以及针对现代硬件（如 CPU、GPU、FPGA）调度同态运算。通过此类编译期优化，开发者能够以接近普通编程的方式编写 FHE 程序，而无需手写底层电路，从而在代码可维护性与执行效率之间取得较好平衡。论文可能给出了多组基准测试，对比现有 FHE 编译器和手工优化实现，以证明该框架在运行时间、噪声管理和资源利用等方面的优势。由于输入信息中仅包含论文标题与作者，未提供详细摘要，上述技术细节系基于领域常识进行的合理推断，读者若需了解准确的算法设计、实验设置和量化结果，仍应查阅原文。该研究对于推进同态加密在实际隐私计算环境中的落地，以及降低安全应用中的高性能开发门槛，具有一定参考价值。

本文针对全同态加密（FHE）下运行语言模型推理速度过慢的问题展开研究。在 FHE 密文上，模型只能原生支持加法、乘法和旋转操作，且乘法深度受限，超过一定层数就必须执行高开销的 bootstrapping 操作以继续计算。因此，模型中的非线性激活函数必须通过迭代方法近似，每次迭代都消耗乘法深度和 bootstrapping 资源。已有的方法通常为所有非线性层设置统一且固定的迭代次数，未考虑不同层（或不同位置）对近似误差容忍度的差异，导致不必要的性能开销。为此，作者提出 Homomorphic Encryption-Aware Training (HEAT)，一种面向 FHE 推理的微调方法。HEAT 的核心思想是将每个非线性模块的迭代次数作为可学习参数，与模型权重一起在训练过程中进行联合优化（即“近似-权重协同适应”）。具体而言，HEAT 以任务目标（如语言模型的解码质量）为导向优化迭代次数，使模型在训练中主动适应推理阶段因近似带来的误差，而无需修改模型架构或从头重新训练。实验基于加密的 GPT-2 解码任务展开，结果显示：HEAT 在保持甚至提升与校准基线解码一致性的前提下，将非线性迭代次数减少约 3.1 倍，bootstrapping 次数减少约 1.6 倍，端到端推理延迟降低约 1.4 倍。该工作表明，通过将加密感知的训练策略与可学习近似预算结合，可显著提升 FHE 场景下大语言模型推理的实用性。适合对隐私保护机器学习、全同态加密应用以及高效安全推理感兴趣的研究人员和工程师阅读。

本文提出了一种在单个GPU上对十亿级向量数据库执行全同态加密（FHE）最近邻搜索的系统，核心目标是让服务器在无法看到明文查询的情况下完成相似度评分，并返回仅客户端可解的加密结果。为了解决全库加密评分在十亿规模下速度过慢的问题，作者结合了两种技术：一是秩缩减，即通过降维减小每个向量的维度；二是层次化路由，即先粗粒度筛选出少量候选集，再在候选集内精细匹配，整个流程均在加密状态下进行。实验在三个不同规模的语料库上展开：包含约22万个人脸质心（512维）的语料库、包含13.9亿个512维CLIP向量的DataComp-1B，以及包含10亿个96维向量的Deep1B。在DataComp-1B上，系统在GPU上实现了单次加密查询约6秒的延迟，recall@10达到0.90（若近重复图片也计为正确则可达0.95）；轻量配置下延迟约1.8秒，recall@10为0.78/0.83。在Deep1B上，全级别FHE下recall@10为0.90（在2000次查询中测得0.9045，与明文路由的0.906基本一致），每次查询热延迟2.3秒。以上延迟均为服务器端可部署的“热”延迟，不包含客户端解密和网络传输。作者详细描述了可复现的客户端-服务器协议，并报告了各配置下的精度与延迟。此外，论文量化了该加速方案带来的隐私代价：层次化路由的访问模式会泄露数据库的几何结构，仅凭访问模式即可恢复72%的粗粒度单元邻居图；为此作者提出种子（固定组）填充方法，可将泄漏降至约2%，而朴素填充会被重复查询攻击轻易攻破。

本文研究同态加密（Homomorphic Encryption, HE）中的瞬时错误（transient errors）对全同态加密（FHE）计算正确性的影响，特别聚焦于未优化的 CKKS（Cheon--Kim--Kim--Song）方案中服务器端同态乘法运算。作者指出，错误在密文分量 c0 和 c1 中出现的时机（timing）和位置（location）会显著影响最终 FHE 输出的正确性。该研究属于计算机体系结构与隐私计算交叉领域，旨在为 FHE 硬件加速器设计提供容错依据。通过系统性分析不同错误注入场景下的计算结果偏差，论文揭示了并非所有瞬时错误都会导致灾难性失败，某些分量或时间窗口中的错误可能被容忍或仅造成可接受精度损失。这一发现对于在真实硬件环境中部署 FHE 服务至关重要，因为瞬态故障（如软错误）在数据中心中不可避免。该工作为构建可恢复的 FHE 计算流程、设计选择性保护机制（如针对关键分量或关键时间段加强错误检测）提供了理论基础。适合研究 FHE 硬件设计、高可靠计算系统和隐私计算基础设施的安全工程师与体系结构研究者阅读。

本文针对同态加密（HE）在实际应用中面临的权衡问题——轻量级部分同态加密（PHE）计算高效但功能有限，而全同态加密（FHE）功能强大但计算开销巨大——提出并分析了介于两者之间的 Boneh-Goh-Nissim（BGN）密码系统。BGN 属于适度同态加密（SWHE），支持无限次加法运算和一次密文乘法，理论上可以桥接 PHE 与 FHE 之间的性能与能力鸿沟。然而，由于缺乏易用的软件实现，BGN 在实际系统中的采用率一直很低。为此，作者将 BGN 集成到 Python 的 lightphe 框架中，使得用户仅需几行代码即可部署该方案，并基于此开展系统性比较实验。论文在 80 位、112 位和 128 位安全级别下，对加密的 128 维向量运算进行了基准测试，对比对象包括 Paillier、Damgard-Jurik、Okamoto-Uchiyama 等 PHE 方案，以及基于 TenSEAL 的 CKKS FHE 方案。实验结果显示了一个计算与通信之间的权衡：由于双线性对运算，BGN 的计算速度慢于 PHE 和采用 SIMD 优化的 FHE，但其公钥尺寸仅有 3-6 KB，比 FHE 小最多五个数量级。更重要的是，BGN 在完成一次乘法后可以实现无限制的同态聚合，从而支持线性回归推理、余弦相似度和平方欧氏距离等复杂任务。论文还发现，仅需优化到 2 位小数的精度，BGN 加密计算结果就能与明文排序基准匹配，从而解决了目标群离散对数解密瓶颈。作者已将完整流程开源到 lightphe 框架中，表明 BGN 是一种适用于带宽受限、去中心化架构的实用引擎。本文的贡献在于：首次在统一框架内对 BGN 与多种 PHE/FHE 方案进行公平比较，验证了其实际可用性，并提供了可复现的软件实现，为隐私保护数据分析场景中的方案选型提供了重要参考。

本文提出 Recifhe，一种针对全同态加密（FHE）的多级编译器，旨在优化 FHE 程序的执行效率。现有的 FHE 编译器（如基于 RNS-CKKS 方案的）通常在粗粒度的密文级进行优化，但每个密文操作内部由多个多项式操作构成，这些跨密文操作的多项式级优化机会被忽略。Recifhe 在密文级将非 FHE 输入程序转换为 FHE 程序，插入密文管理操作并应用全局优化；在多项式级，Recifhe 通过分析跨密文操作的多项式冗余，消除重复计算。实验结果表明，相比于仅密文级优化，Recifhe 实现了 1.25 倍的加速。该工作为 FHE 编译器的优化提供了新视角，有助于降低隐私计算服务的部署成本。

全同态加密（FHE）允许云计算服务商直接在用户提供的密文上执行计算，而无需解密，这对于医疗、金融等隐私敏感领域的数据外包处理至关重要。然而，在该模式下，客户端普遍担心恶意服务器或服务器端漏洞可能导致数据、计算过程或结果被篡改，从而破坏结果的完整性和准确性。确保计算的可验证性且保持低开销仍是一个开放性问题。为了解决这一挑战，本文提出 DataSeal，一种将算法级容错（ABFT）技术与 FHE 机密性相结合的方案。ABFT 原本用于检测和容忍计算中的硬件故障，DataSeal 将其改造为可验证 FHE 计算完整性的轻量级机制。通过在多种应用场景下的实验评估，作者证明 DataSeal 在提供 FHE 计算可验证性方面，其空间与计算开销远低于传统方法（如消息认证码 MAC、零知识证明 ZKP、可信执行环境 TEE），并且随着问题规模增大，额外开销几乎可以忽略不计。该方案无需修改 FHE 底层密码原语，具有较好的实用性和可扩展性。DataSeal 的核心贡献在于将 ABFT 的校验思想推广到加密域，实现了低开销、高置信度的结果验证，为 FHE 在真实云环境中的可信部署提供了新的技术路径。

本文针对RNS-CKKS全同态加密（FHE）方案中缩放因子与模数刚性耦合的问题，提出了一种名为“嫁接”（Grafting）的解耦技术。在标准RNS-CKKS中，缩放因子决定数值精度，模数保证安全性，但两者必须紧密关联，导致设计受限，例如难以找到合适的NTT素数，且精度灵活性不足。本文的核心方法是通过重新设计密钥生成、加密和计算流程，允许在加密过程中独立设置缩放因子，从而打破耦合。具体地，Grafting技术引入额外的转换步骤，使得用户可以在保持相同模数的情况下调整缩放因子，或者在不同缩放因子之间进行切换。实验表明，该方法在不降低安全性的前提下，显著提升了参数选择的灵活性，并减少了因参数不匹配导致的效率损失。主要贡献包括：形式化地定义了缩放因子与模数解耦的必要条件；提出了Grafting算法的具体实现；通过理论分析和实验验证了其正确性与性能优势。本文适合FHE研究人员、密码学工程师以及需要优化同态加密性能的开发人员阅读。

本文是一篇关于全同态加密（FHE）编译器的系统化知识综述（SoK）。全同态加密允许第三方在加密数据上执行任意计算，同时既不知道输入也不知道计算结果，从而在不信任或可能被攻陷的计算环境中提供弹性。该概念自1970年代提出，但直到2009年Craig Gentry提出首个可行方案后才得以实现。随着云服务中敏感数据的大规模收集以及数据泄露事件的频发，高度监管的业务日益需求机密和安全的计算解决方案，这推动了FHE工具的快速发展。为了理解近期FHE工具的发展态势，本文进行了广泛的调研和实验评估，探索当前技术现状并识别未来发展方向。作者对现有的FHE工具和编译器进行了系统化分类、评估和对比，通过实验测量了它们在多种应用上的性能和可用性。最后，本文为希望开发基于FHE应用的开发者提供了建议，并讨论了FHE工具开发的未来方向。该综述覆盖了主流FHE编译器（如HElib、SEAL、TFHE等），评估了它们的编程模型、优化策略和实际性能，并指出了当前面临的挑战，如性能瓶颈、易用性不足以及缺乏标准化。本文适合对同态加密技术感兴趣的安全研究人员、密码学工程师以及隐私计算开发者阅读。

全同态加密（FHE）允许在不解密的情况下直接对加密数据进行计算，为安全云计算、金融和医疗等隐私敏感应用提供了强大的隐私保障。然而，FHE方案的复杂性阻碍了其实际应用。为了降低开发门槛，新一代专用框架应运而生，将高级FHE程序转换为复杂的FHE操作，引入了新的编程范式。但这些框架的内在复杂性使其易受实现逻辑缺陷的影响。与简单的崩溃不同，逻辑错误可能悄无声息地破坏加密计算，导致严重的经济损失和FHE增强应用中的安全漏洞。本文提出了HERTA，首个专为FHE框架设计的自动化测试工具。HERTA利用蜕变测试（Metamorphic Testing）来揭示FHE软件栈多层级中的深层实现漏洞。为此，作者设计了一组基于FHE语义的新型蜕变关系（MRs），这些关系能够针对流水线中最具挑战性的方面进行压力测试，从而在没有人工真实标签的情况下实现自动化正确性检验。在三个领先的工业FHE框架上进行的评估中，HERTA发现了21个先前未知的错误，其中多个已被开发者确认并修复。此外，危害分析揭示了这些错误对基于FHE服务的完整性和可用性构成的严重安全影响。该研究对FHE框架的开发者、安全审计人员以及依赖FHE的应用程序设计者具有重要参考价值。

全同态加密（FHE）能够保障数据隐私，但计算开销极大。在AI硬件（如TPU）上加速FHE具有潜力，却面临精度不匹配的根本限制：TPU优化用于8位算术，而FHE及其关键组件数论变换（NTT）需要高精度。现有方法通过矩阵分解在低精度矩阵引擎上执行NTT计算，但重建全精度结果需要移位加累加，这与矩阵乘法的数据流不匹配，迫使将全精度重建从矩阵引擎卸载到向量处理器，破坏了矩阵乘法的数据流，造成严重性能瓶颈。为解决此问题，本文提出一种最小修改的多精度脉动阵列，能够在阵列内部以统一数据流原生地执行全精度输出重建，同时进行低精度矩阵乘法。基于7nm工艺使用OpenRoad综合，设计带来的硬件开销可忽略不计。使用SCALE-Sim的周期精确仿真表明，在128x128矩阵引擎上对2^12到2^16大小的变换，所提架构原生执行NTT可实现至少1.33倍的加速，成功使标准AI硬件支持高精度FHE加速。

本文提出 MPX，一种统一的双模式脉动阵列架构，能够同时支持矩阵乘法和多项式乘法。研究背景是全同态加密（FHE）和后量子密码（PQC）中多项式乘法是关键操作，通常通过数论变换（NTT）加速。现有方法是将 NTT 映射到现有的脉动矩阵引擎上，以重用 AI 硬件。本文采用相反思路，利用脉动阵列的波前数据流与多项式乘法累加模式的对齐，设计 MPX。MPX 在硬件层面实现双模式：矩阵乘法模式和多项式乘法模式。实验结果表明，向传统脉动阵列添加双模式能力仅需 20% 的额外面积，且在矩阵乘法执行时功耗开销可忽略。在多项式乘法模式下，MPX 相比基于 NTT 的脉动矩阵引擎延迟降低 1.2 倍以上。该研究为高效加速密码学运算提供了一种新的硬件复用方案。

该论文针对量子计算对现有金融加密体系构成的威胁，提出了一种后量子安全的联邦去中心化金融（DeFi）框架，旨在提升因信用记录不足而被传统银行排斥的个人的金融包容性。核心方法包括：多家银行将客户加密数据批量上传至虚拟服务器，采用基于格的全同态加密（FHE）实现端到端同态计算，确保数据在加密状态下完成融合分析；服务器融合本地数据驱动的概率评估、专家信念以及NASA-IBM Prithvi地理空间基础模型（GFM）生成的可验证证据（全部为密文形式）；利用区块链等去中心化技术保证证据的防篡改性和机构间数据交换的可审计问责。该框架以美国弗吉尼亚州农村借款人的农业贷款决策为测试场景，展示了在保护隐私的同时提升贷款覆盖率的潜力。论文的主要贡献在于首次将后量子密码学、联邦学习、FHE与地理空间AI模型系统性地整合到DeFi场景中，为应对量子威胁下的金融普惠问题提供了可扩展的架构方案。适合关注后量子安全、联邦学习、隐私计算及普惠金融的技术研究与安全架构师阅读。

本文提出了一种新颖的安全多方计算（MPC）平台框架，旨在解决密码学隐私保护技术（如全同态加密FHE和安全多方计算MPC）在实际部署中面临的可用性差、隐私保证不精确等挑战。作者首先形式化了安全计算平台（SCP）的概念，用于隐私保护的数据协作，并引入了一个模型来精确指定多方工作流的隐私保证。然后，他们描述了非密码学专家也能使用的一组密码原语抽象。论文通过两个演示工作流验证了所提方法的有效性，展示了在现实性能与隐私保证之间取得平衡的潜力。该工作为构建“干净数据室”提供了基础组件，特别适用于需要多方安全数据分析的场景（如金融、医疗等受监管行业）。

该论文针对隐私保护推理中的嵌入查找问题，提出了一种基于全同态加密（FHE）的私有嵌入查找方法。在自然语言处理和推荐模型中，模型首先将离散的客户端输入映射为嵌入向量，而输入可能包含敏感信息，因此需要保护嵌入步骤的隐私。FHE允许对加密数据进行推理，但将嵌入查找从简单的表访问变为同态计算。为保持嵌入表在服务端且避免客户端传输加密的嵌入向量，该工作聚焦于服务端查找：客户端仅发送一个小的加密索引。先前的工作（ICML 2024）首先从加密索引构建一个独热向量，然后与嵌入表相乘，而独热向量的生成是主要计算开销。基于独热向量的方法在FHE中成本高昂：它对每个坐标进行等式测试来构建p维选择向量，需要O(p log p)次同态操作。该论文的关键观察是，私有嵌入查找只需要加密索引的线性无关表示，而非独热基向量。基于此，作者提出了独立向量估计（IVE）。IVE不构建独热向量，而是构造一个基于单个加密值的连续幂组成的线性无关向量，将向量生成成本降低到O(p)。然后通过预计算基变换恢复相同的嵌入向量，并使用正交离散余弦变换来减轻误差放大。实现表明，IVE相对于先前方法将摊销查找时间提高了最多78.4倍。进一步，论文评估了其在端到端加密FastText推理中的影响，其中嵌入查找是该浅层模型的主要成本。在Enron-Spam数据集上，用IVE替换独热生成后，向量生成在加密推理时间中的占比从99.6%降至66.3%。这项工作主要面向从事隐私保护机器学习和同态加密优化的研究人员。

全同态加密（FHE）仅支持加法和乘法运算，因此在FHE环境下进行神经网络推理时，需要用多项式近似替代ReLU激活函数。传统方法通过在经验激活区间上进行多项式拟合来控制逼近误差，通常需要较高次数的多项式，导致同态求值开销增加。然而，分类结果仅由最终logit的决策边界决定，激活函数的局部近似误差不一定影响分类准确性。本文从决策感知的角度重新审视ReLU替换问题：给定一个训练好的单隐层ReLU MLP和一个指定的校准集，能否在不重新训练的情况下，找到一个低次（二次）HE友好的多项式替换ReLU，同时保持校准集上的决策结果？作者聚焦于二次替换（最低次的保持单单元非线性的选择）。对于在升维空间中正间隔可分的校准集，他们将二次替换建模为线性可分问题，给出了校准无损替换的充要条件，并提出了构造系数的算法。当正间隔条件不成立时（通常由少数误分类校准样本导致），他们通过约简凸壳和拉格朗日对偶软间隔松弛扩展了相同的几何框架，从而限制任何单个样本的影响，将问题转化为较小的凸二次规划，得到近似可行的系数，并在校准集决策上具有较高的经验一致性。特别地，在最大权重上限μ=1时，约简凸壳松弛退化为严格可分情况下的凸壳分离；该松弛连续地扩展了精确理论。在CKKS加密方案下，该二次替换在多个基准测试上匹配明文top-1精度，激活模块运行速度比Remez-7快3.7–4.1倍，端到端速度提升1.18–1.68倍。本文方法适用于需要FHE推理且希望降低多项式次数的场景，尤其适合隐私计算和机器学习即服务（MLaaS）中处理敏感数据的情况。

本文针对机器学习领域的安全计算技术选型问题，对两种主流密码学方法——安全多方计算（SMPC）和全同态加密（FHE）进行了理论和实践的对比分析。首先，文章从理论上总结了SMPC和FHE两种安全计算范式的原理、优缺点及相关的开源软件实现。其次，作者对识别出的主要机器学习操作和模型对应的软件框架进行了广泛的基准测试。实验结果表明，在当前技术状态下，FHE在回归任务上性能优于SMPC；在基于GPU或混合模型的简单密集神经网络中，FHE也可能更快。相反，SMPC在复杂模型（如CNN）上表现出更优的性能。文章为机器学习安全计算技术的技术无关基准测试铺平了道路，为计划采用这些技术的实践者提供了指导。

本论文提出了一种名为“Select-Then-Compute”的框架，旨在解决分布式数据集上的加密标签选择与分析问题。在多方协作场景中，不同数据持有者希望在不泄露原始数据的前提下，对联合数据进行查询和计算，但现有全同态加密（FHE）方案在支持选择性计算（即仅对符合特定标签的子集进行计算）时效率低下。传统方法要么需要将所有数据解密后再选择，要么采用复杂且昂贵的混淆电路或秘密共享技术。本文基于FHE设计了一种高效协议，允许数据持有者对各自的数据标签进行加密，然后由计算方在密文状态下执行标签匹配和选择，最后对选中的密文数据进行聚合计算（如求和、均值、方差等）。核心创新包括：1）提出一种新颖的编码方式，将标签匹配转换为多项式计算，从而利用FHE的单指令多数据（SIMD）特性并行处理；2）设计了递归的标签选择算法，使得计算复杂度仅与数据条目数的对数成正比；3）实现了对多个数据集联合分析的支持，且不增加通信轮次。实验部分在多个基准数据集上验证了性能，与现有基于朴素FHE或混合协议的方法相比，计算时间降低了2-3个数量级，同时保持相同的安全级别（IND-CPA安全）。该工作适合隐私保护机器学习、医疗数据联合分析等领域的研究者和工程人员阅读。