English(EN) Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption

新的Safhire框架通过混合FHE提升私密机器学习推理能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了Safhire，一个新颖的混合推理框架，旨在利用全同态加密（FHE）来提高机器学习模型的实用性和隐私性。该系统将服务器上的加密线性层计算与客户端处理的明文非线性操作相结合，显著降低了计算成本，并消除了昂贵的重加密需求。为了确保模型机密性，Safhire采用随机混洗来隐藏中间输出，防止客户端重建模型。评估表明，与Orion和Concrete-ML等现有的FHE基线相比，Safhire实现了显著更低的推理延迟，同时保持了可比的准确性和可控的通信开销。 AI

影响增强了机器学习模型推理的隐私性和效率，可能促进敏感数据处理的更广泛应用。

排序理由详细介绍使用FHE进行机器学习推理新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 19 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍使用FHE进行机器学习推理新技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Sayan Biswas, Philippe Chartier, Akash Dhasade, Tom Jurien, David Kerriou, Anne-Marie Kerrmarec, Mohammed Lemou, Franklin Tranie, Martijn de Vos, Milos Vujasinovic · 2026-10-19 04:00

使用全同态加密实现实用且私有的混合机器学习推理

arXiv:2509.01253v2 Announce Type: replace-cross Abstract: In contemporary cloud-based services, protecting users' sensitive data and ensuring the confidentiality of the server's model are critical. Fully homomorphic encryption (FHE) enables inference directly on encrypted inputs,…

本文如何被排名

报道来源 [1]

使用全同态加密实现实用且私有的混合机器学习推理

相关实体

相关话题