Vectorized Batch Private Information Retrieval.
本文研究批量私有信息检索（BatchPIR），这是私有信息检索（PIR）的一种变体，允许客户端在一次查询中从服务器检索多个条目。BatchPIR 更贴合实际应用场景，有望在摊销成本上显著优于标准 PIR。然而，现有 BatchPIR 方案在
#homomorphic-encryption
共收录 79 条相关情报。
← 返回所有主题Jaguar: Fast Private CNN Inference with Power-of-Two Homomorphic Arithmetic
本文提出 Jaguar，一种用于加速私有卷积神经网络（CNN）推理的新型混合同态加密/两方安全计算（HE/2PC）系统。现有混合协议的性能瓶颈主要来自两个方面：一是使用素数模数同态算术进行卷积操作，这需要基于NTT的多项式乘法，开销较大；二
WHET: Welding Homomorphic Encryption to Accelerator Architectures
全同态加密（FHE）允许在不解密的情况下对加密数据进行计算，为数据隐私提供了强力保障，但代价是巨大的计算和内存开销。以往的研究要么从密码学/算法层面优化FHE性能，要么通过硬件加速器提升效率，但这两个方向在很大程度上是独立发展的，未能充分利
Exploring CKKS Parameter Trade-offs for Privacy-Preserving Personalized Federated Learning
本文针对隐私保护的个性化联邦学习（PFL）中应用CKKS同态加密方案时缺乏系统参数选择指导的问题，提出了pFedCKKS框架。该框架将CKKS集成到PFL中，并首次提供了参数选择的系统指南。研究指出，在128位安全级别下，CKKS参数约束可
An End-to-End Encrypted Control Pipeline for Multi-Agent Coordination via CKKS Homomorphic Encryption
该论文提出了一种基于CKKS全同态加密（FHE）的端到端加密控制管道，用于解决多智能体云协调中的隐私与协作冲突。传统方法需要将智能体状态明文发送给中央服务器，存在隐私泄露风险。FHE理论上允许对密文直接计算，但算术约束苛刻，需重新设计控制环
Privacy-Preserving High-Resolution Image Gradient Computation Based on Fully Homomorphic Encryption
本文提出了一种基于全同态加密（FHE）的高分辨率图像隐私保护梯度计算方法。随着隐私保护需求日益增长，同态加密成为在加密数据上直接进行操作的核心技术。然而，现有工作多局限于低分辨率图像，高分辨率图像处理面临计算开销剧增的挑战。为此，作者提出了
GALA: Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks.
本文提出了GALA（Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks），旨在优化隐私保护神经网络中基于同态加密（HE）的线性计算效率。在现有
Privacy-Enhanced Zero-Order Federated Learning via xMK-CKKS over Wireless Channels
本文提出了一种基于多密钥同态加密（MK-HE）的隐私增强零阶联邦学习协议，适用于无线信道环境。传统联邦学习中的同态加密方法主要依赖单密钥方案，需要信道估计或预均衡来补偿无线衰落，且单密钥方案易受诚实但好奇的客户端攻击——一旦某个客户端密钥泄
Revisiting ML Training under Fully Homomorphic Encryption: Convergence Guarantees, Differential Privacy, and Efficient Algorithms
本文首次对全同态加密（FHE）下的机器学习训练进行了理论收敛性分析，并提出了一种结合差分隐私（DP）的训练算法，专为加密计算设计。该方法通过使用激活函数和损失函数的多项式近似（FHE兼容所必需）来证明近似梯度下降的收敛性，从而改进了标准差分
Kernel-Based ReLU Approximation for Homomorphic Encryption-Compatible Privacy-preserving Deep Learning Models
本文针对同态加密（HE）无法直接支持非线性激活函数（如ReLU）的问题，提出了一种基于核函数的ReLU近似方法，以支持隐私保护的深度学习模型，特别是大语言模型（LLM）。由于HE仅支持加法和乘法，非线性函数在加密域中无法直接计算，而ReLU
Labeled PSI from Homomorphic Encryption with Reduced Computation and Communication.
本文研究了在不平衡设置下（即一方集合远大于另一方）的带标签私有集合交集（Labeled PSI）协议。现有工作（Chen等，CCS'17, CCS'18）已证明全同态加密（FHE）可用于构建高效的不平衡PSI协议。本文在以下方面实现了多项算
Public-Decay Homomorphic State Space Models for Private Sequence Inference
该论文提出了一种基于同态加密的状态空间模型（HSSM），用于在加密数据上执行序列推理任务。全同态加密（FHE）在序列模型中的应用面临旋转操作、密文乘积、密文物化、乘法深度和自举等成本问题。论文的核心创新是引入“公钥衰减”（public-de
Beyond Controlled Noise: Achieving Symmetric FHE through Dynamic Position Shifting
本文提出了一种突破性的对称全同态加密（FHE）方案，旨在解决传统FHE方案中计算开销大和噪声管理复杂的核心瓶颈。现有FHE方案通常基于非对称或层次式结构，乘法操作会导致噪声指数级增长，需要昂贵的自举（bootstrapping）过程来重置噪
Adapting AlphaEvolve to Optimize Fully Homomorphic Encryption on TPUs
全同态加密（FHE）在规模化部署中面临巨大的计算开销。虽然专用硬件加速器（如Google TPU）可以提供帮助，但将复杂的密码学内核映射到此类架构上仍然具有挑战性。高效执行需要对基于脉动阵列的矩阵乘法单元（MXU）和向量处理单元（VPU）进
On the (non-)resilience of encrypted controllers to covert attacks
本文研究网络控制系统（NCS）中加密控制器对隐密攻击（covert attacks）的抵抗能力。加密控制通常利用同态加密（HE）将控制器外包给第三方平台（如云服务）以保护数据机密性。近期研究试图通过修改HE方案来同时抵御完整性攻击，但本文证
HE-PIM: Demystifying Homomorphic Operations on a Real-world Processing-in-Memory System
本文针对同态加密（HE）在实际处理-内存（PIM）系统上的运行特性进行了全面分析。同态加密允许对密文直接计算，为不可信计算环境提供强隐私保障，但其高计算复杂度、大密文尺寸和大量数据移动限制了实际部署。传统的处理器中心架构（CPU、GPU、A
ThorPIR: Single Server PIR via Homomorphic Thorp Shuffles.
本文提出了一种名为 ThorPIR 的新型单服务器私有信息检索（PIR）协议，专注于客户端预处理模型。在该模型中，客户端和服务器首先执行联合预处理阶段，之后客户端可以以亚线性时间从数据库中检索元素。现有构造存在两种范式：一是离线阶段需要线性
PRAG End-to-End Privacy-Preserving Retrieval-Augmented Generation
检索增强生成（RAG）通过引入外部知识显著提升了大型语言模型（LLM）的能力，但其在云环境中的部署面临敏感数据的隐私泄露风险。现有隐私保护方案往往因噪声注入而牺牲检索质量，或仅提供部分加密。本文提出PRAG，一种端到端隐私保护RAG系统，在
Secure Conformance Checking using Token-based Replay and Homomorphic Encryption
合规性检查是过程挖掘的核心操作之一，旨在识别过程模型与事件日志之间的差异。过程模型代表预期的行为，而事件日志则记录了信息系统中的实际过程行为。传统上，执行合规性检查的业务分析师可以同时访问过程模型和事件日志。然而，在某些场景下，日志所有者可