同态加密（HE）允许在密文上进行计算，避免敏感数据泄露。其核心概念始于1978年，2009年Craig Gentry首次实现全同态加密（FHE），被视为密码学的重要突破。FHE支持任意电路计算，近年来出现了BGV、BFV、CKKS等多种实用方案，推动了隐私计算的发展。

本研究提出了一种基于格的同态加密方案，解决了量子对手的安全同态评估问题。该方案创新性地使用模块学习-误差（MLWE）格，实现了在量子计算硬件中的完全同态和知识库感知的量子推理。

本研究提出了一种新方法，通过安全多方计算和同态加密技术解决机器学习服务中的隐私问题，评估资源效率与隐私保护的标准。

本研究通过改进的同态加密变换器架构，解决了大型语言模型个性化响应中的隐私问题。该方法在个性化微调后加速计算，同时保持性能，为隐私保护的语言模型服务提供了可能性。

本文探讨了深度神经网络中的隐私保护技术，提出了一种基于同态加密的方案，应用于卷积神经网络，以确保数据隐私并保持高精度。研究内容包括CryptoNN框架、全同态加密技术及其在文本分类和深度学习中的应用，强调模型参数的安全性和计算效率，并介绍了开源库TenSEAL的集成与性能。

本文探讨了同态加密（HE）在神经网络中的应用，提出了多种基于HE的模型和框架，如CryptoGCN和LinGCN，以提高隐私保护和计算效率。研究表明，尽管同态加密能有效保护数据隐私，但仍面临性能和可扩展性挑战。通过优化激活函数和算法，研究实现了显著降低推理时间的深度神经网络，展示了HE在先进应用中的潜力。

本文研究了基于离散扩散模型的数据生成方法的隐私保护能力，提出了PAC隐私保护扩散模型，增强了隐私保护。通过新度量标准评估模型隐私水平，实验结果显示其隐私保护性能优于现有模型。此外，介绍了HE-Diffusion框架，结合同态加密技术，提高了隐私保护和图像生成效率。研究还探讨了扩散模型在高分辨率图像生成中的应用及其安全性问题，并提出了有效的防御措施。

ENSEI是一个基于同态加密的安全推理框架，显著提高了卷积计算效率。实验表明，在线时间减少5-11倍，安装时间减少33倍，总推理时间缩短10倍。研究还探讨了同态加密在深度学习中的应用，并提出多种优化方案，以提升隐私保护和计算效率。

该论文探讨了多种安全计算和隐私保护算法与协议，包括三方安全计算协议、差分隐私混洗模型和远程数据隐私保护算法，旨在提升机器学习和深度学习中的计算效率与安全性。同时，研究还涉及同态加密技术及其在多个领域的应用。

该研究提出了一种名为Blind-Match的创新方法，利用同态加密进行高效的1:N匹配。研究表明，Blind-Match在多个生物识别数据集上表现优越，尤其在LFW面部数据集和PolyU指纹数据集上，实现了高精准度。

本文介绍了多种隐私保护框架和方法，以提升大型语言模型和联邦学习中的数据隐私。P2F框架实现了90%的遗忘性，IPFed方法在保护隐私的同时保持高准确性。PDSS框架通过蒸馏技术解决隐私和资源限制问题。此外，研究还提出了基于同态加密的隐私保护框架和局部差分隐私机制，以确保深度学习模型的隐私安全。

本文介绍了基于同态加密和循环矩阵的深度学习模型，旨在提高计算效率和数据隐私保护。研究展示了一种新型卷积神经网络架构，显著降低存储需求并加速计算，同时保持高准确率，适用于图像分类等任务。

本文探讨了多种保护数据隐私的分布式深度学习方法，包括联邦学习、差分隐私和同态加密。研究比较了这些方法在计算资源、数据泄露和通信效率方面的优缺点，并提出了新技术如“隐身斗篷”和ZIP-DL算法，以提高隐私保护和模型准确性。实验结果表明，这些方法在隐私保护和通信开销之间取得了良好平衡。

本文探讨了分层学习与同态加密结合的方法在MIT-BIH数据集上的应用，显著提高了训练速度并减少了通信开销，同时增强了深度学习中的隐私保护。此外，研究了分割学习与差分隐私的结合，发现差分隐私的保护效果有限，并提出了改进措施。

设计隐私保护深度学习模型是挑战，同态加密是有前景的方法，可以解耦模型和数据所有者。研究者使用多项式变换器示例，展示了使用同态加密进行安全推断的可行性。他们在WikiText-103上进行了隐私保护的推断，并在CIFAR-100和Tiny-ImageNet上进行了图像分类。模型结果与传统方法相当，填补了变换器之间的差距，突出了同态加密的可行性。他们还评估了模型的稳定性，并进行了消融实验。