QuanCrypt-FL：用于安全联邦学习的量化同态加密与剪枝

该研究解决了联邦学习中存在的推断攻击问题，尤其是在训练和推理阶段的安全隐患。论文提出了一种名为QuanCrypt-FL的新算法，通过结合低比特量化和剪枝技术，在保护隐私的同时大幅降低计算成本，显著提升模型的训练效率和攻击抗性。研究结果显示，QuanCrypt-FL在多个数据集上表现优越，且在加密、解密及推理速度上均显著提升。