homomorphic encryption
PulseAugur coverage of homomorphic encryption — every cluster mentioning homomorphic encryption across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Google 将同态加密技术集成到私有 AI 计算中，使其更实用
Google 正在通过将同态加密技术集成到其私有 AI 计算功能中来增强其 AI 能力，使先进的 AI 更实用、更安全。此次更新出现在 Pixel Journal 应用中，旨在保护用户数据，同时实现复杂的 AI 功能。该公司正致力于使这些私有 AI 解决方案易于访问并适用于更广泛的用途。
-
Google 借助同态加密技术推动私有化 AI 发展
Google 正在通过使用同态加密技术来提高私有化 AI 的实用性。该技术允许在不先解密的情况下对加密数据进行计算，从而保护用户隐私。该公司的努力旨在通过确保数据在处理过程中的机密性，使敏感的 AI 应用更加可行。
-
Google 推出 HEIR 编译器，实现实用的私密人工智能与同态加密
Google 推出了 HEIR，一个开源编译器，旨在使同态加密在人工智能推理中变得实用。该技术允许在加密数据上进行计算，从而增强医疗保健和金融等敏感行业的隐私性。虽然同态加密的实现历来很复杂，但 HEIR 旨在简化开发人员的使用，使人工智能应用程序能够在不直接访问用户数据的情况下处理用户数据。Google 已与硬件加速器公司和学术机构合作，以推进 HEIR 的功能并探索其应用。
-
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。
-
Sarus框架为自动驾驶汽车实现隐私保护的感知融合
研究人员开发了Sarus，一个旨在实现来自多个自动驾驶汽车供应商的感知数据隐私保护融合的新框架。该系统利用同态加密，允许中央融合服务器聚合检测输出，而无需访问敏感的单个供应商数据或专有模型行为。在KITTI数据集上使用YOLOv8和PointPillars等检测器进行的实验表明，Sarus通过结合互补的检测结果，特别是在单个传感器模式可能出现故障的情况下，可以有效地提高场景级覆盖范围。
-
新协议通过多密钥加密增强联邦学习隐私
研究人员开发了一种新颖的四阶段协议，用于隐私增强的联邦学习（FL），该协议在无线信道上利用xMK-CKKS多密钥同态加密方案。该协议能够在无需信道估计的情况下安全聚合加密数据，解决了单密钥HE方法的漏洞。所提出的系统与零阶FL集成，确保服务器与多达N-1个客户端勾结时的安全性，并保持O(1/sqrt(K))的收敛速率，这已通过MNIST上的数值结果得到验证。
-
新的ICA方法在不损失性能的情况下提供隐私保护的机器学习
研究人员推出了一种名为信息压缩匿名化（ICA）的新方法以及VEIL架构，作为一种新颖的隐私保护机器学习方法。该方法使用受信任环境中的编码器将原始数据转换为低维、任务对齐且在数学上不可逆的表示。与差分隐私或同态加密等传统方法不同，ICA旨在提供强大的隐私保证，而不会牺牲性能或引入显著的计算开销。
-
新的DSFL框架增强了可扩展且可验证的金融欺诈检测能力
研究人员推出了一种名为动态分片联邦学习（DSFL）的新框架，旨在增强跨机构金融欺诈检测能力，同时保护数据隐私。DSFL通过提高可扩展性和完整性来解决现有联邦学习协议的局限性。该系统采用动态随机分片来降低通信复杂性，并使用线性完整性标签进行可验证更新聚合，而无需零知识证明的计算成本。
-
联邦学习进展在隐私、效用和公平性之间取得平衡
研究人员正在探索增强联邦学习（FL）隐私的高级技术，FL是一种在去中心化数据上进行模型训练的方法。一项研究比较了在瑞典医疗保健数据上用于心血管疾病风险建模的差分隐私（DP）和同态加密（HE），发现HE与集中式方法相当，但计算开销更高，而DP在某些模型上表现出更大的性能下降。另一种方法FedPF引入了一种差分隐私的公平FL算法，通过将公平性和效用视为竞争目标来平衡它们，在具有竞争力的准确性和低计算占用的情况下显著减少了歧视。第三篇论文将…