CKKS
PulseAugur coverage of CKKS — every cluster mentioning CKKS across labs, papers, and developer communities, ranked by signal.
- 2026-05-25 research_milestone Researchers identify and propose a solution for overflow attacks in CKKS-based Fully Homomorphic Encryption for neural networks. 来源
2 天有情绪数据
-
新的RAG框架使用同态加密增强隐私保护
研究人员开发了“GoldenRetriever”，一个利用非交互式同态加密的、用于隐私保护的检索增强生成（RAG）的新型框架。这种方法解决了通常以明文处理敏感数据的RAG系统的隐私问题。通过在加密下使用阈值选择而非昂贵的top-k排序，GoldenRetriever显著降低了延迟和计算复杂度。该系统使用基于CKKS的同态计算进行加密相似性评估和文档选择，确保查询内容和中间分数保持机密。实验表明，与之前的加密方法相比，其检索效果具有竞争…
-
新框架可自动近似Transformer模型，加速同态加密推理
研究人员开发了ATLAS，一个旨在优化Transformer模型近似以实现高效同态推理的自动化框架。该新系统解决了配置每层近似设置的挑战，这对于在全同态加密（FHE）中降低延迟和保持预测准确性至关重要。ATLAS采用两阶段优化策略和代理模型来导航庞大的可能配置搜索空间，使得在FHE下部署BERT、ViT和LLaMA 3等复杂模型成为可能。
-
新剪枝方法增强了加密神经网络的可靠性
研究人员开发了一种名为多项式敏感度感知剪枝（PSAP）的新方法，以提高使用同态加密（HE）加密的神经网络的可靠性。PSAP 考虑权重大小、多项式激活敏感度和旋转成本来剪枝滤波器，将剪枝集中在容错区域。与标准的幅度剪枝相比，即使在比特翻转注入下，该方法也能显著减少易受灾难性精度下降影响的层数，并为可靠性测试提供了一个保守的代理。
-
新的SNLP方法提高了FHE Transformer推理效率
研究人员开发了一种名为层并行推理（SNLP）的新方法，以提高Transformer模型在使用全同态加密（FHE）对加密数据执行计算时的效率。Transformer的传统FHE推理受到非线性运算顺序性的阻碍。SNLP减少了所需的顺序非线性阶段数量，从而显著减少了计算步骤并降低了误差放大。虽然SNLP是对现有FHE友好算子设计的补充，但它并不能取代它们，因为像softmax这样的运算的近似仍然是误差预算中的主要因素。
-
新的Shard方法增强了密集检索系统的隐私性
研究人员开发了一种名为Shard的新方法，以增强密集检索系统的隐私性。密集检索系统常用于语义搜索和检索增强生成（RAG）。Shard通过引入一种保留检索的嵌入转换来解决向量存储容易受到揭示底层文本的攻击的漏洞。这种转换将嵌入分割成用于初始检索的公共前缀和在密钥下分片的私有残差，然后使用CKKS进行重新排序以取消密钥并保持精确的内积。该系统旨在防止对齐攻击和去匿名化，提供几何防御而非加密保证。
-
新的TGHE框架可在大型图上实现隐私保护的图神经网络推理
研究人员开发了TGHE，一个用于边缘云系统中隐私保护图神经网络（GNN）推理的新型框架。与难以处理大型数据集的先前以图为中心的方法不同，TGHE通过利用交易图中的模板现象，采用以自我为中心的方法。这使得它能够将结构相似的局部计算树规范化并打包到共享密文中进行并行处理，从而显著提高效率并能够分析更大的图。
-
混合新方法增强语义搜索隐私性
研究人员开发了一种新颖的隐私感知语义搜索方法，在数据保护和搜索性能之间取得平衡。该方法使用奇异值分解（SVD）将文档嵌入截断到低维子空间，并对文档集合应用秘密正交变换。然后使用CKKS同态加密方案加密查询，确保诚实但好奇的服务器永远看不到查询值或相似度分数。这种混合策略在亚秒级延迟下保持检索质量，并为LLM防火墙提供了一种隐私保护的语义数据丢失预防原语。
-
混合新方法增强语义搜索系统的隐私性
研究人员开发了一种新颖的方法来增强由密集嵌入驱动的语义搜索系统的隐私性。该方法解决了嵌入反演攻击的风险，该攻击可以从向量数据库中重建源文本。它结合了几何保护文档集合（使用SVD截断和秘密旋转）与加密保护查询（通过CKKS同态加密）。这种混合策略旨在保持排名质量，并在大型数据集上实现亚秒级延迟，同时在定义的威胁模型内提供强大的隐私保证。
-
新的FEnc2框架提升私有AI推理效率
研究人员开发了FEnc$^2$，这是一个旨在显著提高使用全同态加密（FHE）进行私有推理效率的新框架。该方法通过同时考虑卷积运算和网络架构来统一数据打包，以优化密文利用率并减少计算开销。在常见的图像识别任务中，FEnc$^2$在GPU上实现了高达228倍的端到端延迟缩减，在CPU上实现了高达226倍的延迟缩减。
-
全同态加密（FHE）在隐私神经网络推理中发现溢出漏洞
研究人员发现全同态加密（FHE）方案中存在一个关键漏洞，特别是广泛使用的CKKS方案，可能导致溢出攻击。这些攻击通过使输入超出FHE电路的容差范围来破坏神经网络的输出。为解决此问题，该论文提出了一种形式化验证技术，用于计算神经元范围的认证边界，从而有效消除溢出，并将实验基准测试中的失败率降至零。通过允许用严格设计的多项式替换标准多项式，这种无溢出解决方案与现有的CKKS框架兼容。
-
新的二次ReLU替代方案加速FHE神经网络推理
研究人员开发了一种新方法，用于将神经网络中的ReLU激活函数替换为二次多项式，特别适用于全同态加密（FHE）。该方法旨在通过使用低次多项式来降低仅FHE推理的计算成本，同时保持校准数据集上的分类准确性。该方法将替换问题构建为线性分离问题，并使用凸包松弛将其扩展到误分类样本的情况，与现有方法相比实现了更快的推理速度。