该论文针对长文档隐私推理（private inference）中的效率与隐私平衡问题展开研究。现有隐私推理系统主要优化或分布式实现加密Transformer的注意力机制，但注意力机制中token两两交互的二次方复杂度在序列长度增长时成为瓶颈。选择性状态空间模型（Selective SSM）虽提供线性时间递归，但直接在加密域实现会带来线性乘法深度、跨序列状态驻留或密集的FHE-MPC转换开销。为此，作者提出了FESC（Factorized Encrypted Scan-Contract），一种混合FHE-MPC系统，用于私有长上下文选择性SSM推理。其核心创新是“因子化扫描-收缩”（scan-contract）方法：将输入相关的状态转换保持紧凑且跨越转换边界，无需密集扩展即可组合，按需流式处理状态块，并在转换前收缩输出。论文展示了该实现与不变式和选择性SSM架构的接口兼容性。在Mamba-2实例化中，设计了GPU优化的CKKS内核用于线性计算，并为SiLU、softplus、指数和RMSNorm设计了MPC协议，同时采用近似感知微调（approximation-aware fine-tuning）。据作者所述，FESC是首个能在单GPU上完成原生端到端长文档推理（序列长度L≥1024）的隐私推理系统。在L=2048时，12层Mamba-base模型在一张A100 GPU上完成推理耗时77.3分钟，峰值内存32.7GB，且在评估的长文档任务上保持接近明文精度的准确率。该工作为长序列隐私推理提供了新的技术路线，适合隐私计算、机器学习系统与安全交叉领域的研究者阅读。

本文针对基于全同态加密（FHE）的隐私保护机器学习推理中存在的计算和内存开销问题展开研究。现有密文打包策略通常仅保持邻近数据元素或特征分组中的一种，导致密文槽利用率低、旋转操作过多、密文数量膨胀，严重制约了推理效率。为此，作者提出了一种统一的、基于片段编码的框架 FEnc²，该框架面向 CKKS 方案，旨在优化卷积神经网络秘密推理中的密文布局。FEnc² 包含两个核心组件：1）卷积感知编码（Conv-aware Encoding），通过分析选择最优的片段大小来解耦空间依赖，并在各层间联合最小化内旋转与外旋转次数；2）架构感知密文压缩（Arch-aware Ct Compression），在特征或通道缩减层后恢复密文密度，减少密文数量。这些变换共同重塑了加密工作负载结构，将同态运算量降低一至两个数量级。在充分利用内存（即最大批处理大小）的条件下，FEnc² 在 MNIST 数据集上的 LeNet 模型上对比现有最优系统 Orion，实现了 GPU 端加速比高达 228.83 倍、CPU 端加速比高达 226.06 倍；在 ImageNet 上的 MobileNet 模型上实现了 GPU 端 4.55 倍、CPU 端 9.43 倍的端到端延迟加速。FEnc² 与硬件无关但具有架构变革性：通过在执行前优化加密张量布局，减少了密文数量和对硬件的计算压力，可补充 NTT 和密钥切换加速器等底层优化。实验表明，应用层的数据布局是加密推理中首要的架构设计维度，也是下一代 FHE 系统的重要使能技术。