- 基于完全同态加密的机密保护疾病分类器
我们提出了一种结合完全同态加密和深度学习的框架,用于安全和私密的诊断系统,通过在加密输入数据上处理问题与回答的模型,实现了严格的安全性和隐私保护,同时在性能上几乎没有损失。
- 增强自主无人机导航的隐私和安全性
提出了一种结合强化学习和全同态加密的创新方法,用于实现安全的自主无人机导航,通过对实时视频进行全同态加密推理,保证了安全性和隐私性。
- 利用全同态加密增强面部分析的隐私
我们提出了一种新颖的技术,结合了全同态加密(FHE)和现有的模板保护方案 PolyProtect,通过多项式变换将嵌入式压缩加密,进一步保护密集的 PolyProtect 模板,确保面部嵌入的不可逆性和不可关联性,有效地防止了从面部嵌入中泄 - 使用 TFHE 对加密数据进行神经网络训练
使用全同态加密的方法实现神经网络的训练外包,以保护数据的机密性,可以在加密的数据上进行统一的训练,并学习量化的神经网络模型。数据可以在多个参与方之间进行水平或垂直分割,从而实现机密数据的合作。研究在多个数据集上训练逻辑回归和多层感知机。
- AAAIMedBlindTuner:基于 Transformer 和全同态加密的隐私保护生物医学图像微调
机器学习在医学图像分析方面的进步极大地改变了医疗行业,但向第三方共享敏感患者数据(例如胸部 X 光片)存在固有的隐私风险。本文提出了 MedBlindTuner,一个基于全同态加密(FHE)和数据高效图像变换器(DEiT)的隐私保护框架。M - NeuJeans:私有神经网络推理与卷积和引导策略的联合优化
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。
- 基于动态规划的全同态加密下优化逐层多项式逼近的高效私密推理
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。
- 实用的、私密的协作价值确认
在使用机器学习的背景下,提出了一种基于全同态加密方案和标签差分隐私的交互式协议,确保两个参与方在合作前能得到准确的预测改进,并通过实验证明,该方案相比完全使用全同态加密操作的协议,能够获得更快的计算结果。
- ArctyrEX:一般应用程序的加速加密执行
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 - 基于全同态加密的树型隐私推断
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 - 利用 TFHE 进行加密推断的深度神经网络
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。
- HyPHEN: 基于同态加密神经网络的混合打包方式和优化
利用全同态加密的卷积神经网络有潜力实现私有推理,但先前的方案存在运算与内存开销过高的问题,HyPHEN 是一种高效的方案,通过数据压缩和加密特定优化来降低计算和内存开销,在 CIFAR-10 推理中可将延迟降至 1.40s,ImageNet - MM私有可靠的神经网络推理
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。
- 基于全同态加密的隐私保护深度神经网络机器学习
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 - 完全同态加密编译器
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。
- HEAX: 用于加密数据计算的架构
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。
- PrivFT: 具有同态加密的私密快速文本分类
本文提出了一种使用全同态加密技术 (Fully Homomorphic Encryption, FHE) 来实现隐私保护文本分类的高效方法,旨在在不泄漏数据隐私的前提下,保持预测准确性。
- 针对同态加密的 AlexNet 时刻:使用 GPU 对加密数据进行的第一个同态 CNN,HCNN
本文提出了一种使用全同态加密、卷积神经网络和图形处理器的高效隐私保护系统,用于在云端进行基于样本的模型推断,能够在保证数据安全的前提下实现高性能图像分类。
- ICMLTAPAS: 加速(加密)预测服务的技巧
探讨了机器学习在预测问题上的广泛应用,提出了一种使用完全同态加密进行预测的新框架,解决了数据隐私和计算量的问题。
- 同态加密方案调查:理论与实现
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。