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。

本文研究了同态加密在机器学习中的应用，重点是保护数据和模型参数的安全。基于CKKS算法，提出了一种机器学习即服务机制，并在MNIST数据集上进行测试。结果表明，设计参数对正确性、安全性和计算时间有重要影响，密文打包策略和多线程并行化也影响推理的效率和延迟。

设计隐私保护深度学习模型是挑战，同态加密（HE）是有前景的方法，可以解耦模型所有者和数据所有者。研究者引入多项式变换器，并提供使用HE进行安全推断的示例。模型在性能上与传统方法相当，填补了变换器之间的差距，突出了HE的可行性。还评估了模型的稳定性，并进行了消融实验。

本研究提出了一种基于同态加密的隐私保护扩散框架HE-Diffusion，通过最小失真方法和稀疏张量表示提高了效率。实验结果显示，HE-Diffusion比基准方法快500倍，时间成本降低到分钟级别。该研究为隐私保护和高效图像生成铺平了道路。

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。

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。研究者引入多项式变换器，并提供同态加密安全推断示例。模型性能与传统方法相当，填补了变换器差距，突出同态加密可行性。研究者还评估了模型稳定性，并进行了消融实验。

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。

设计隐私保护深度学习模型是挑战，同态加密（HE）是有前景的方法，可以解耦模型所有者和数据所有者。研究者引入了多项式变换器，并提供了使用HE进行安全推断的示例。他们在WikiText-103上进行了隐私保护的推断，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HE的可行性。他们还评估了模型的稳定性，并进行了消融实验。

该研究提出了一种用于序列处理的机制，通过替换循环门中的乘法和 Sigmoid 函数为加法和 ReLU 激活函数，能够在更低计算成本下维持长期记忆，捕捉到序列数据的长期依赖关系，并且支持同态加密人工智能应用。

本文介绍了使用CKKS算法的机器学习即服务（MLaaS）机制，通过充分同态加密（FHE）保护输入数据和模型参数，解决了现有文章忽略模型参数安全问题和高层级实现不提供对CNNs中常见操作的精确性、安全性和速度之间权衡问题。在MNIST数据集上进行测试，结果表明设计参数选择对正确性、安全性和计算时间产生重要影响，同时密文打包策略和多线程并行化也影响推断过程的吞吐量和延迟。

LinGCN是一个优化同态加密推断性能的框架，通过线性化算法和离散指示函数实现更优的收敛性和运算融合，同时降低乘法深度。实验表明，LinGCN优于CryptoGCN，实现了14.2倍的延迟加速，保持了75%的推断准确率。

SABLE是一种完全同态和拜占庭鲁棒分布式学习算法，使用新颖的明文编码方法，在图像分类任务上证明了其实用性和机器学习性能。