本论文提出了一种 HEMET 的 HE 友好型隐私保护移动神经网络架构，相较于之前的 PPNNs，HEMET 可以降低推理延迟 59.3%~61.2% 并提高 0.4%~0.5% 的推理精度。

May, 2021

本文提出了 Falcon，一种用于基于 HE 的二方计算框架的高效密实打包算法，它通过零感知贪心打包算法和通信感知操作器平铺策略，提高了深度卷积的打包密度，在操作器级别上相比于其他 HE-based 2PC 框架，实现了 15.6x、5.1x 和 1.8x 的延迟降低，并且在网络级别上，在 CIFAR-100 和 TinyImagenet 数据集上相较于 Cheetah 分别提高了 1.4% 和 4.2% 的准确率，并且具有等通信的特征。

Aug, 2023

nGraph-HE2 是一种扩展 nGraph-HE 的框架，利用 CKKS 方案和双方计算方法，实现了隐私保护的图像识别，支持使用原生激活函数和实数，经过优化可以达到 state-of-the-art 的吞吐量，成功实现了对最大的预训练 MobileNetV2 模型在 ImageNet 数据集上的同态评估，准确率完全相当。

Aug, 2019

本文提出了一种新的 HE-friendly 模型的训练方法，展示了如何使用 HC Layers SDK 运行加密样本，并证明该模型可以在保持高准确度的同时，大大节省运行时间；研究人员还讨论了在 HE 条件下处理激活函数和跳过连接的不同策略，并且通过改编 CLIP 模型实现了安全的零 - shot 预测。

Apr, 2023

提出了一种量化解决方案，该方案能够同时实现通信效率和隐私保护，并通过在分布式随机梯度下降框架中将二项式噪声加入到均匀量化的梯度中来证明其有效性，从而在通信、隐私和学习性能之间实现新的平衡。

Apr, 2023

本文研究了使用超维度计算与同态加密的机器学习推断系统，实现了对加密数据的隐私保护，同时提高了性能。

Aug, 2023

本研究介绍了一种基于 Hessian 矩阵的自适应量化方法（HAWQ），可实现神经网络中各层的不同量化精度，并通过对 ResNet20、Inception-V3、ResNet50 和 SqueezeNext 模型的评测结果表明，与先前的方法相比，HAWQ 可以减小模型大小，同时提高精度。

Apr, 2019

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

HAWQV3 提出了一种新型的混合精度整数量化框架，通过纯整数运算、硬件感知混合精度量化和直接硬件部署方法，实现了模型压缩和量化加速，其中 INT8 量化的准确率比之前的整数方法提高了 2.68％，同时混合精度的 INT4/8 量化可以将 INT8 的延迟降低 23％且仍能保持 76.73％的准确率。

Nov, 2020

Intel's nGraph-HE, an extension of nGraph, enables the deployment of deep learning models on ciphertext using homomorphic encryption as a hardware target, allowing DL-aware optimizations and integration with popular frameworks such as TensorFlow to benchmark models with minimal overhead.

Oct, 2018