How to Watermark the RLWE Homomorphic Ciphertexts
本文针对基于环误差学习（RLWE）问题的同态加密（HE）方案在安全计算中的广泛应用，提出了一种面向RLWE密文的水印技术。现有HE方案主要关注计算可行性与效率，忽略了密文版权保护、来源认证和计算监管等实际需求。作者利用RLWE多项式的代数结
#privacy-preserving
共收录 133 条相关情报。
← 返回所有主题MOSAIC-FL, a micro-service based privacy-preserving framework with application to genomics
该论文提出了一种名为MOSAIC-FL的微服务架构隐私保护联邦学习框架，重点面向基因组学等敏感数据领域。框架采用模块化设计，集成gRPC高效通信层和有限状态机以确保组件同步和威胁检测；核心安全机制基于CKKS同态加密的阈值变体实现容错安全聚
ScoreShield: Differentially Private Release of Similarity Scores
本文提出 ScoreShield，一种差分隐私（DP）机制，用于安全发布向量嵌入之间的余弦相似度分数，适用于生物识别、检索增强生成（RAG）等应用。现有方法简单添加独立同分布高斯噪声会导致严重失真且隐私预算随分数数量平方级增长。ScoreS
P2C2T: Preserving the Privacy of Cross-Chain Transfer.
该论文旨在解决区块链数字货币系统之间跨链资产转移的安全与隐私问题。现有方案在原子性、不可链接性、不可区分性、无抵押性以及跨不同货币系统的功能方面通常存在不足。为此，作者提出了P2C2T——一种保护隐私的跨链转账方案。P2C2T基于作者同时提
Share No More Than the Request Requires: Federated Disclosure for Perspective-Aware AI
本文针对现代AI系统在用户数据收集、集中控制和隐私侵犯方面的社会风险（如大规模监控、权力过度集中、用户自主权丧失），提出了一种面向隐私保护的联邦披露框架。作者认为用户需要一种主权系统来安全地拥有、治理和披露个人上下文数据，同时满足跨监管领域
PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption
近年来深度学习模型与平台爆发式增长，但现有机器学习即服务（MLaaS）架构通常假设模型完全可信，忽略了模型所有者和用户双方的隐私需求。在实际安全多方计算场景中，模型所有者不愿泄露高价值模型参数，用户也不愿暴露私有数据样本。传统的隐私保护深度
CERBERUS: Exploring Federated Prediction of Security Events.
该论文探讨了利用联邦学习（FL）进行安全事件预测的可行性。当前网络防御越来越依赖主动预测攻击者的下一步行动，但构建准确的预测模型需要多个组织的数据，这涉及敏感信息（如网络结构、安全策略）的泄露。为此，作者提出了 Cerberus 系统，允许
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
Fighting Fake News in Encrypted Messaging with the Fuzzy Anonymous Complaint Tally System (FACTS).
该论文针对加密消息系统中虚假信息泛滥的问题，提出了一种名为FACTS（模糊匿名投诉计数系统）的隐私保护方案。随着WhatsApp、Signal、Telegram等端到端加密通信的普及，用户隐私得到增强，但同时也为虚假信息的传播提供了隐蔽渠道
DP-Forward: Fine-tuning and Inference on Language Models with Differential Privacy in Forward Pass.
该论文提出了一种名为 DP-Forward 的新方法，旨在解决差分隐私随机梯度下降（DP-SGD）在语言模型微调与推理中的局限性。DP-SGD 通过在反向传播过程中向梯度添加噪声来保护训练数据免受隐私泄露（如成员推断攻击），但它无法防御推理
SpexPay: A Privacy-Preserving Pay-As-You-Go System for Dynamic Spectrum Sharing
动态频谱共享（DSS）是下一代无线系统的关键，但现有方案如频谱接入系统（SAS）依赖集中式管理员，暴露敏感操作元数据且缺乏加密交易问责性。尽管SAS管理员（如Google）引入了按需付费定价模型，但随着DSS向更开放和大规模的频谱市场演进，
Multi-Level Privacy-Preserving Dementia Detection from Speech via Targeted Adversarial Obfuscation and Representation Learning
该论文提出了一种多级隐私保护框架，用于从语音中进行痴呆症检测，同时防止说话人身份泄露。现有方法通常只解决单一威胁（如仅信号级或特征级），且难以平衡隐私保护与检测效用。本文设计的框架针对两种窃听向量：在信号级，提出累积信号攻击（CSA），通过
Practical Multi-Party Private Set Intersection with Reducible Zero-Sharing.
由于未提供论文摘要，无法生成详细总结。该论文标题为《Practical Multi-Party Private Set Intersection with Reducible Zero-Sharing》，可能涉及多方安全计算中的隐私集合交集
Ciphertext- and Polynomial-Level Optimization for Fully Homomorphic Encryption
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
ReBound: Reuse-Aware Privacy For Interactive Decision Support
该论文提出了一种名为 ReBound 的差分隐私决策支持框架，旨在解决交互式查询中隐私预算浪费的问题。传统的差分隐私机制将每个查询视为独立事件，不记忆历史结果，导致重复或相关查询消耗过多隐私预算。ReBound 通过引入缓存结果复用机制，允
Privacy Preserving Recommender Systems Balancing Personalization with Privacy
本文提出并评估了一个隐私保护的推荐系统框架，旨在解决传统推荐系统依赖集中存储用户交互数据所带来的隐私与合规挑战（如GDPR、CCPA、CPRA）。该框架结合了联邦学习、差分隐私、群体级建模和隐私感知智能体：联邦学习保持原始用户数据分散在本地
From Easy to Hard: Building a Shortcut for Differentially Private Image Synthesis.
差分隐私图像合成旨在从敏感数据集中生成合成图像，缓解组织共享和使用合成图像时的隐私泄露问题。现有方法（如使用差分隐私随机梯度下降训练扩散模型）虽然取得进展，但性能仍不理想。受课程学习启发，本文提出一种两阶段差分隐私图像合成框架，让扩散模型从
Hermes: Efficient and Secure Multi-Writer Encrypted Database.
该论文提出 Hermes，一种新型混合可搜索加密（HSE）方案，旨在解决现有 HSE 设计中存在的安全漏洞（如字典攻击和注入攻击），同时保持低搜索复杂度和高用户效率。Hermes 支持多写者加密搜索功能，提供前向隐私和对字典攻击的抵抗力。为
SafeEar: Content Privacy-Preserving Audio Deepfake Detection.
本文提出了一种名为SafeEar的新型音频深度伪造检测框架，旨在解决现有检测方法因必须访问完整原始录音而泄露语音内容隐私的问题。随着文本转语音（TTS）和语音转换（VC）技术的进步，生成的逼真音频被恶意用于深度伪造，对社会和个人构成威胁。现
Efficient Zero-Knowledge Arguments For Paillier Cryptosystem.
本文提出了一种针对Paillier密码系统的高效零知识论证系统。Paillier加密是一种同态加密方案，广泛应用于隐私保护计算，如联邦学习和加密数据分析。然而，在实际应用中，需要证明密文满足某些性质（如范围证明、正确性证明等），而现有的零知