介绍了全同态加密的基本概念及其在保护隐私和云计算中的应用，同时讨论了现有 FHE 系统的实现和未来研究方向。

Apr, 2017

本文介绍充分同态加密 (Fully Homomorphic Encryption, FHE) 在机器学习中的应用，针对现有文章只关注于数据安全而忽略模型参数的安全问题，以及高层级的实现不提供对深度卷积神经网络 (CNNs) 中的卷积、非线性激活和汇聚等常见操作的精确性、安全性和速度之间权衡问题，基于 CKKS 算法，提出了使用 FHE 保护输入数据和模型参数的 MLaaS 机制，并在经典的 MNIST 数据集上进行了实现和测试，结果表明设计参数选择会在正确性、安全和计算时间之间产生重要影响，同时还强调了其他设计选择如密文打包策略和多线程并行化也对推断过程的吞吐量和延迟产生了重要影响

Jan, 2021

本文介绍了使用 Fully Homomorphic Encryption 应用于基于树的数据模型，通过 Concrete-ML 库在加密选项卡 ular 数据上得到最先进的解决方案，此方法适用于决策树，随机森林和梯度提升树等广泛使用的基于树的模型，而且在准确性方面与未受保护版本非常接近。

Feb, 2023

本文使用了 RNS-CKKS FHE 技术及 bootstrapping 策略，并采用最新的近似方法来评估非算术函数，成功实现了对 CIFAR-10 数据集上的 ResNet-20 模型进行 FHE 加密计算，并经过数值验证，得出分类准确率达到了 90.67%。

Jun, 2021

本论文探讨了如何构建与 TFHE 约束兼容的深度神经网络，为计算机视觉任务提供了一种基于全同态加密的解决方案。

Feb, 2023

本文提出了一种基于全同态加密的联邦学习新方案，在保护用户隐私的同时有效应对了数据毒化攻击，保证了安全性、隐私性、收敛性以及在可接受的计算成本下取得了可比较的准确率。

Jun, 2023

本文提出了 HEAX，一种新的 FHE 硬件架构，可在保护数据隐私的前提下，大幅提高计算性能。该架构利用多种级别的并行性来提高数字变换和基于格密码学的计算。在可重构硬件上的实现表明，相对于传统 FHE 方案，性能提升了 164-268 倍。

Sep, 2019

本文提出了一种新的全同态加密语言 Encrypted Vector Arithmetic（EVA），并配备了优化编译器，使开发人员可以直接使用 EVA 开发高效的通用 FHE 应用程序，并且可以作为目标编译高级特定领域的语言。此外，由于 EVA 中的新型优化，其程序的速度比 CHET 生成的程序平均快 5.3 倍，EVA 将使更广泛的人更容易地开发 FHE 应用程序和特定领域的 FHE 编译器。

Dec, 2019

本研究开发了用于加速加密执行的新技术，其中使用 ArctyrEX 框架可以让开发者用 C 程序描述他们的计算，相对于基线 256 线程 CPU，其在 NVIDIA DGX A100 上快了 40 倍，在单个 A100 上快了 6 倍，并以 Fully Homomorphic Encryption over Torus (CGGI) 为主要研究对象。

Jun, 2023

传统的人工智能方法需要集中的数据收集，而联邦学习（FL）提供了一种在不收集原始数据的情况下进行分布式人工智能模型训练的范例。本文提出了一种创新的框架，将基于排列的压缩机与传统密码学结合起来，用更便宜的传统密码学原语取代同态加密（HE），以提供训练过程的安全性，并促进异步通信和灵活的部署选项。

Dec, 2023