Sarus: Privacy-Preserving Multi-Vendor Perception Fusion via Homomorphic Encryption
本文提出 Sarus，一个基于同态加密的隐私保护多供应商感知融合框架，旨在解决自动驾驶车辆在多供应商部署场景中共享检测输出时面临的隐私和安全问题。传统协作感知通过聚合多个代理的检测结果提升环境感知能力，但暴露了供应商的模型行为和敏感环境信息
#homomorphic encryption
共收录 6 条相关情报。
← 返回所有主题TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems
本文提出了一种新颖的基于模板的图同态加密（TGHE）框架，旨在解决现有同态加密（HE）图神经网络（GNN）系统在边缘-云系统中进行隐私保护推理时面临的可扩展性问题。传统的HE-GNN系统采用图中心范式，每个查询的成本与全局图大小成正比，导致
HE-DAP: Homomorphic Encryption-based Dynamic Adaptive Parameter Optimization for Statistical Computation
同态加密（HE）允许对加密数据进行隐私保护计算，但高计算开销限制了其实用性。该论文聚焦于统计和机器学习负载中的核心原语——逆平方根计算，发现其在不同的HE库和硬件上性能不一致且往往次优。性能瓶颈源于两类高成本HE操作之间的权衡：评估高次切比
Triple-Hoisted Baby-Step Giant-Step Linear Transformation over CKKS Homomorphic Encryption and Hardware Accelerator
本文针对同态加密（HE）中线性变换的计算效率问题展开研究。线性变换是神经网络（包括大语言模型）的核心操作，在隐私保护的云端推理场景中，需要在密文上直接计算。然而，基于CKKS方案的线性变换需要大量密文旋转操作，这些操作在现有简化技术下仍带来
VERITAS: Plaintext Encoders for Practical Verifiable Homomorphic Encryption.
同态加密技术能够在加密数据上直接进行计算，从而保护敏感数据的隐私。然而，现有同态加密管线在面对恶意敌手时，无法保证计算结果的正确性——即客户端无法验证云服务器是否忠实地执行了所承诺的计算，而非返回伪造或部分正确的结果。本文提出两种与当前最先
Call Me By My Name: Simple, Practical Private Information Retrieval for Keyword Queries.
该论文提出了一种名为“Call Me By My Name”的简单实用私有信息检索（PIR）方案，专门针对关键词查询场景。传统的PIR协议通常计算开销大、实现复杂，难以在实际系统中部署。作者从实用角度出发，设计了一种基于同态加密和预计算索引