Homomorphic Advantage Operator: Stabilizing Reinforcement Learning Under Fully Homomorphic Encryption Constraints
该论文针对云端隐私保护机器学习在智能体场景中的落地难题展开研究。全同态加密（FHE）允许在密文上直接计算，是保护云端强化学习（RL）数据机密性的理想方案，但 FHE 只原生支持加法和乘法，所有非线性激活、裁剪、比较等操作都必须替换为多项式近
#homomorphic-encryption
共收录 79 条相关情报。
← 返回所有主题Combining Homomorphic Encryption and Differential Privacy in Federated Learning for Model Inspection and Availability
该论文针对联邦学习（FL）中隐私保护的割裂现状提出了一套组合式框架。背景在于：去中心化数据日益普遍，联邦学习允许客户端在不共享本地敏感数据的前提下协同训练模型，但 FL 本身并不足以保护训练数据——梯度更新仍可能泄露成员信息与属性信息，因此
Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
该论文研究的是「同态加密下的联邦学习训练」这一隐私保护机器学习场景。加密训练有一个长期存在的硬性约束：服务端聚合与更新的多项式次数必须保持很低（低度数/low-degree），因为同态方案中每次乘法都会消耗乘法层级并引入噪声。这一约束传统上
HE-Guardrail: A Homomorphic Guardrail Against Jailbreak Attacks for Encrypted Large Language Model Inference
同态加密（HE）已成为隐私保护机器学习（PPML）的重要技术路线，允许在密文上直接进行模型计算。在基于 HE 的 PPML 场景中，客户端将加密输入提交给服务端，服务端在无法获知明文的前提下对 LLM 等模型完成推理。论文指出这一设定中存在
Batched Paillier-Based Hamming-Distance Computation over Binary Embeddings
本论文研究的是在加密二进制嵌入（binary embeddings）场景下，如何高效完成汉明距离（Hamming distance）计算的问题。背景是：加法同态加密（此处采用 Paillier 体制）允许把计算外包给不可信的服务器，从而在隐
SEEK: Secure and Efficient Encrypted Keyword Search For Privacy-Preserving Messaging Protocols
端到端加密通信在保护用户隐私的同时，也让平台难以发现其中传播的有害或违法内容，形成“内容检测”与“端到端隐私”之间的根本矛盾。针对该矛盾，作者提出 SEEK——一种面向隐私保护消息协议的高效加密关键词搜索协议，将同态加密（HE）与安全两方计
ROSETTA: Efficient and Accurate Privacy-Preserving LLM Decoding via Hybrid CKKS/TFHE Evaluation
该论文关注大模型私有推理中的性能瓶颈问题。生成式 LLM 在代码生成、问答等任务上表现优异，但其自回归解码（autoregressive decoding）逐 token 顺序生成，部署时会将用户输入与提示暴露给服务方，引发严重隐私顾虑，因
OptiPrime: Optimizing Private Inference through Protocol-Hardware Co-design
该论文研究如何在混合同态加密（HE）与多方安全计算（MPC）框架下高效执行私有深度神经网络（DNN）推理。此类方案能对用户数据提供形式化隐私保证，但代价是 HE 带来的显著延迟开销。已有工作提出了定制化 HE 加速器，并针对单个 HE 算子
Feasibility of Homomorphic Inference for a Genomic Foundation Model
本文针对人类基因组数据"一旦泄露不可撤销、且可直接指向个体身份"这一特殊性，研究基因组基础模型（genomic foundation model）在第三方算力上推理时的隐私可行性问题。作者提出并回答的核心问题是:算力提供方能否在完全不接触明
PixCrypt: Fast Fine-Grained FHE with Range-Aware Caching
该论文聚焦于「对加密数据做细粒度安全计算」这一长期难题。像素级图像（如肿瘤分割、异常检测）等细粒度数据要求每个像素都可参与运算并保持高精度，而现有隐私计算范式各有硬伤：多方安全计算（MPC）需要交互通信、延迟高；差分隐私（DP）只能保护聚合
FPGA Acceleration of Fully Homomorphic Encryption with Adaptive Key Switching
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
Encrypt What Matters: When Selective Homomorphic Inference Is Efficient
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
PACS: Privacy-Preserving Attribute-Driven Community Search over Attributed Graphs.
在数据驱动应用中，属性驱动社区搜索（Attribute-driven Community Search）受到越来越多的关注，其目标是在属性图上帮助用户发现满足特定结构紧密性和属性相关性的高质量子图。然而，现有方法大多未考虑搜索过程中的数据隐
BKPIR: Keyword PIR for Private Boolean Retrieval.
本文提出了一种名为 BKPIR 的新型关键词隐私信息检索（Keyword PIR）方案，旨在解决现有 Keyword PIR 方案难以支持布尔检索模型的问题。在实际应用场景中，用户往往需要通过逻辑组合（如 AND、OR、NOT）来精确表达查
WAHC '23: 11th Workshop on Encrypted Computing & Applied Homomorphic Cryptography.
本论文是对第11届可编辑计算与应用同态加密工作坊（WAHC '23）的会议报道或综述性文章。WAHC 是密码学与安全领域的重要学术活动，聚焦于加密计算（Encrypted Computing）与全同态加密（Fully Homomorphic
Pushing Forward Multi-Secret-Key Homomorphic Encryption for Private Average Aggregation
联邦学习中客户端的上传模型更新可能泄露隐私，私有平均聚合是跨孤岛场景的关键环节。同态加密(HE)可作为私有聚合的基础，但传统单密钥方案要求客户端与聚合器之间满足强不共谋假设；多方同态加密(MHE)虽能消除此限制，却因近期针对受限解密访问的攻
SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring
该论文针对联邦学习（FL）中梯度更新面临的两类安全威胁：传输过程中的中间人（MitM）窃听，以及恶意客户端发起的模型投毒攻击。传统方案要么对所有参数统一加密（如静态分层或全参数CKKS），计算开销大且不区分敏感度；要么仅依赖差分隐私（DP）
Key Recovery from Residue-Confined Errors in Pradhan CRT-RLWE
本文针对 Pradhan 等人提出的 CRT-RLWE（Chinese Remainder Theorem Ring-LWE）同态加密方案进行了密码分析，证明该方案在声称的误差分布范围内不安全。核心发现是：当公钥乘子为单位元时，攻击者仅通过
Poster: Verifiable Encodings for Maliciously-Secure Homomorphic Encryption Evaluation.
本文针对同态加密（Homomorphic Encryption, HE）在恶意敌手模型下计算结果缺乏可验证性的问题展开研究。同态加密允许在密文上直接执行计算，是隐私保护数据分析的关键技术，但现有HE管道无法防止恶意服务器返回错误计算结果。为
Verified Pythagorean Composition for Adaptive Cryptographic Games: Noise Flooding in Homomorphic Encryption
本文研究近似同态加密（approximate homomorphic encryption）中噪声泛洪（noise flooding）防御手段在自适应解密攻击下的安全性证明问题。噪声泛洪是抵御解密攻击的标准技术，但其安全证明对组合方式异常敏