本文提出了一种名为 CryptoNAS 的 NAS 方法，该方法适用于 PI，可以在给定的预算内最大化准确性。CryptoNAS通过优化运算时ReLU等非线性操作的代价，同时尽量避免线性层，比现有技术可以提高3.4%的准确度和2.4倍的速度。

Jun, 2020

介绍了 S ++ 框架, 用于使用安全共享函数计算的方式, 从多个来源训练NN, 并提供快速和可验证的协议计算所有常见的激活函数.

Jan, 2021

该研究通过采用安全查找表的算法Tabula，代替使用加密电路进行神经网络推断所需的非线性激活函数加密计算，以此降低了通信、存储和运行成本，并在安全神经网络推断时实现了显著的性能提升。

Mar, 2022

使用安全多方计算方法构建隐私保护的神经架构搜索框架，其中使用重新设计的ReLU和Max-pooling保混乱电路以及对秘密共享的Softmax函数的新替代方法，分析和实验表明其在安全性，效率和准确性方面具有优越性。

Apr, 2022

本研究提出了一个名为Phoenix的系统，通过设计随机平滑的核心算法构建块的高效完全同态加密（FHE）对应项，使得可靠NN进行隐私保护的推理成为可能，并通过实验证明，Phoenix在实现隐私保护的同时不会产生极高的延迟。

Oct, 2022

本研究综述了利用同态加密解决神经网络数据隐私和安全问题的技术和策略，并分析了同态加密在神经网络训练和分类方面的当前研究现状、分类以及优化加密模型准确性和效率的技术。评估结果表明，尽管同态加密可以为神经网络提供强大的数据隐私保证，但仍存在许多挑战需要解决，例如对高级神经网络运算的有限支持、可扩展性问题以及性能平衡问题。

May, 2023

通过对激活函数进行逐层优化并调整密文模量链，本文提出了一种降低推理时间的隐私保护深度神经网络实现方法，可以将ResNet-20模型和ResNet-32模型的推理时间分别缩短3.44倍和3.16倍。

Oct, 2023

基于全同态加密的神经网络私有推理解决方案通过引入嵌套结构的编码方法以及融合卷积和引导操作优化算法，加速了卷积层的性能，实现了在几秒内进行ImageNet（ResNet18）规模的神经网络推理。

Dec, 2023

边缘智能允许资源密集型深度神经网络进行推理，而无需传输原始数据，解决了消费者物联网设备中的数据隐私问题。我们提出了一种在TrustZone中进行先进模型部署的新方法，确保在模型推理过程中综合保护隐私。我们设计了一种内存高效的管理方法，支持内存密集型推理，通过调整内存优先级，有效地减少内存泄漏风险和内存冲突，并在受信任的操作系统中进行了32行代码的修改。此外，我们利用了两个小型库：S-Tinylib（2,538行代码），一个小型深度学习库，和Tinylibm（827行代码），一个小型数学库，以支持在受信任执行环境中的高效推理。我们在Raspberry Pi 3B+上实现了一个原型，并使用三个知名的轻量级DNN模型进行了评估。实验结果表明，与在TEE中使用非内存优化方法相比，我们的设计能够将推理速度提高3.13倍，并降低功耗超过66.5%。

Mar, 2024

本研究解决了在机器学习加速器的信任执行环境中，优化工作负载以提高性能和能效的挑战。通过协同使用分析模型和周期准确模型探索状态空间，Obsidian框架能够实现最佳模型映射，并且在云和边缘部署中显著降低了推断延迟和能耗，展示了其有效性和潜在影响。

Sep, 2024