本文提出了一种基于 Shift-accumulation 的 Leveled-HECNNs 深度神经网络 (SHE)，通过二进制友好的 LTFHE 加密方案实现了 ReLU 激活和最大汇聚，采用对数量化来加速推理，使用混合位宽累加器加速累加，并具有更小的乘法深度开销，实现了更深的网络结构。实验结果表明，SHE 在 MNIST 和 CIFAR-10 上实现了最先进的推理精度，并将推理延迟降低了 76.21% 至 94.23％。
Jun, 2019
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
利用核心方法对同态加密方案进行有效加速，以在加密领域内提高机器学习和统计算法的时间性能，降低代价昂贵的同态加密乘法，并实现对数据分析的高级功能。
Jun, 2024
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
本文介绍了完全同态加密技术（FHE），评估和系统化了 FHE 工具和编译器，并在各种应用程序上评估了这些工具的性能和可用性方面，最后提出了有关 FHE 工具发展的建议和讨论。
本文探讨隐私保护癌症检测的挑战，提出了一个利用机器学习和遗传突变等领域知识进行的、保护隐私的癌症预测方案。该方案利用 Homomorphic Encryption 加密方法，并使用统计测试进行特征选择，其中所提出的逻辑回归模型，与其他研究相比，测试时具有更高的准确性。因此，本文提出的解决方案在高效地使用密文计算技术方面具有很大的优势。
Apr, 2022
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
本研究提出了一种基于同态加密的隐私保护 PCA 方法，通过优化同态矩阵乘法技术，提高了计算效率和准确性，适用于高维度数据集。
May, 2023
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