fully homomorphic encryption
PulseAugur coverage of fully homomorphic encryption — every cluster mentioning fully homomorphic encryption across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
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。
-
新研究探讨计算机视觉系统的隐私保护技术
两篇新研究论文探讨了增强计算机视觉系统隐私的方法。第一篇论文“PrivacyBench”介绍了一个评估隐私技术组合的框架，揭示了联邦学习（FL）与差分隐私（DP）的结合可能导致显著的收敛失败和成本增加，而FL与安全多方计算（SMPC）的结合则能保持性能。第二篇论文“用于隐私保护视觉的同态加密”详细介绍了使用全同态加密在加密图像数据上执行推理任务，并在MNIST和CIFAR-10等各种数据集上展示了分类准确率的微小下降。
-
丞数科技发布全同态加密数据库，赋能AI数据安全
丞数科技联合创始人于共山介绍了公司正在研发的一款基于全同态加密（FHE）的数据库产品，旨在解决AI时代的数据安全挑战。该技术能够对加密数据进行安全计算，防止在AI模型训练和运行过程中发生数据泄露。该产品集成了向量、图、时间序列等多种数据模态，支持原生中文，并具备抗量子加密能力，旨在促进金融、医疗等行业的安全数据共享和利用。
-
新的ComputeFHE库简化了使用FHE的隐私保护应用程序的开发
一个名为ComputeFHE的新开源C++库已被开发出来，旨在简化使用全同态加密（FHE）的隐私保护应用程序的创建。该库构建在OpenFHE和TFHE密码系统之上，为开发人员提供了熟悉的加密数据操作编程范式。它旨在克服FHE相关的高计算成本和复杂性，通过优化的架构和减少的引导（bootstrapping）需求，在某些操作中展示了高达3.9倍的性能提升。
-
新工具HERTA在隐私保护加密框架中发现21个漏洞
研究人员开发了HERTA，一种新颖的自动化测试工具，旨在识别全同态加密（FHE）框架中的漏洞。这些框架对于云计算、金融和医疗保健等领域的隐私保护计算至关重要，但它们非常复杂，容易出现逻辑错误，从而可能悄无声息地损坏数据。HERTA利用了变形测试和FHE特定的语义关系，无需人工验证即可发现这些根深蒂固的问题。使用HERTA对三个领先的FHE框架进行的评估发现了21个先前未知的漏洞，其中一些已被开发人员修复，这凸显了此类漏洞的关键安全影响。
-
新工具 HERTA 在全同态加密框架中发现 21 个错误
研究人员开发了 HERTA，这是一种新颖的自动化测试工具，旨在识别全同态加密 (FHE) 框架中的漏洞。FHE 允许在加密数据上进行计算，这对于金融和医疗保健等行业的隐私至关重要，但其复杂性常常导致实现错误。HERTA 采用变形测试和 FHE 特定关系来发现可能 silently 损坏数据的逻辑错误。使用 HERTA 对三个领先的 FHE 框架进行的评估发现了 21 个以前未知的错误，其中一些错误已被开发人员修复，这凸显了这些缺陷对基…
-
Cerebras 强调大型语言模型处理中的隐私风险，提出全同态加密作为解决方案
Cerebras 强调了当前人工智能系统中一个重大的隐私问题，即大型语言模型（LLM）的查询会在服务器上解密并以明文形式处理，将敏感数据暴露给模型。该公司认为，全同态加密（FHE）通过在加密数据上进行计算，可能成为增强人工智能隐私的关键技术。这表明在人工智能推理过程中，非泄露计算的重要性日益增加。
-
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。
-
后量子DeFi框架提升金融普惠性
一篇新的研究论文提出了一个后量子安全的联邦DeFi框架，以增强服务不足人群的金融普惠性。该系统使用基于格的全同态加密（FHE），允许多家银行在加密数据上进行协作。它整合了来自NASA-IBM Prithvi Geospatial Foundation Model (GFM) 的证据评估，以做出贷款决策，并利用去中心化技术确保数据完整性和问责制。
-
Amazon SageMaker 通过 FHE 实现加密的机器学习推理
Amazon SageMaker 现在支持使用完全同态加密 (FHE) 进行端到端加密的机器学习推理。这一进展允许在不解密的情况下安全地处理敏感数据，从而增强了 AI 应用的隐私性。此次集成建立在先前关于 FHE 在安全机器学习推理方面潜力的讨论之上。
-
AWS SageMaker 支持使用 FHE 进行加密的机器学习推理
Amazon SageMaker AI 现在支持使用全同态加密 (FHE) 进行端到端加密的机器学习推理。这使得敏感数据（如医疗记录或专有业务信息）可以在云中进行处理，而无需解密，即使对 SageMaker 本身也是如此。这项新功能利用了 concrete-ml 库，与之前需要使用低级库手动实现的旧方法相比，它提供了更灵活、更高级别的方法。
-
新研究推动机器学习中的差分隐私发展
研究人员开发了增强机器学习中差分隐私的新方法，特别是在去中心化和因果结构学习方面。一种名为DPDL的方法，使用基于相似性的校准技术和高斯噪声来保护非IID数据上的去中心化学习的隐私，实现了线性加速。另一种方法利用全同态加密（FHE）对加密数据进行因果结构学习计算，通过电路简化和近似来管理FHE的计算成本。此外，一种基于快速变换的新型DP草图机制为DP线性回归提供了更快的运行时间，而具有相关噪声的局部差分隐私模型表明，在不牺牲效用的情况…
-
全同态加密下的机器学习训练获得收敛性保证和隐私保护
研究人员开发了一种使用全同态加密（FHE）训练机器学习模型的新方法，该方法允许在不解密的情况下对加密数据进行计算。该方法首次为全同态加密下的机器学习训练提供了理论收敛性保证，并整合了差分隐私。与标准的差分隐私梯度下降相比，新算法在计算效率上更高，通过使用多项式近似激活函数和损失函数，并避免了昂贵的每样本梯度裁剪，从而实现了可比的效用。
-
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。
-
Tinfoil 推出云 AI 服务，利用安全飞地实现可验证隐私
Tinfoil 是一家由 MIT 和 Cloudflare 研究人员创立的初创公司，该公司推出了一项新服务，旨在为托管在云端的 AI 工作负载提供可验证的隐私。该平台利用安全飞地技术，特别是 NVIDIA 在 GPU 上的机密计算能力，确保 Tinfoil 和云提供商都无法访问 AI 模型处理的敏感数据。这种方法旨在通过用可证明的安全性取代信任来增强 AI 隐私，从而实现需要私有数据的更复杂的 AI 应用。