Buchumschlag

HEQuant: Marrying Homomorphic Encryption and Quantization for Communication-Efficient Private Inference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Tianshi, Li, Meng, Wang, Runsheng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PrivQuant: Communication-Efficient Private Inference with Quantized Network/Protocol Co-Optimization
von: Xu, Tianshi, et al.
Veröffentlicht: (2024)

PrivCirNet: Efficient Private Inference via Block Circulant Transformation
von: Xu, Tianshi, et al.
Veröffentlicht: (2024)

FastQuery: Communication-efficient Embedding Table Query for Private LLM Inference
von: Lin, Chenqi, et al.
Veröffentlicht: (2024)

EQO: Exploring Ultra-Efficient Private Inference with Winograd-Based Protocol and Quantization Co-Optimization
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2024)

Optimized Layerwise Approximation for Efficient Private Inference on Fully Homomorphic Encryption
von: Lee, Junghyun, et al.
Veröffentlicht: (2023)

UFO: Unlocking Ultra-Efficient Quantized Private Inference with Protocol and Algorithm Co-Optimization
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2026)

Differentially Private and Communication Efficient Large Language Model Split Inference via Stochastic Quantization and Soft Prompt
von: Gu, Yujie, et al.
Veröffentlicht: (2026)

Design and Optimization of Cloud Native Homomorphic Encryption Workflows for Privacy-Preserving ML Inference
von: Bollikonda, Tejaswini
Veröffentlicht: (2025)

PrivSpike: Employing Homomorphic Encryption for Private Inference of Deep Spiking Neural Networks
von: Njungle, Nges Brian, et al.
Veröffentlicht: (2025)

Secure and Efficient UAV-Based Face Detection via Homomorphic Encryption and Edge Computing
von: Van Duc, Nguyen, et al.
Veröffentlicht: (2025)

Privacy-Preserving Diffusion Model Using Homomorphic Encryption
von: Chen, Yaojian, et al.
Veröffentlicht: (2024)

PRISM: Privacy-preserving Inference System with Homomorphic Encryption and Modular Activation
von: Elkhatib, Zeinab, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Federated Learning Method with Homomorphic Encryption in Omics Data
von: Negoya, Yusaku, et al.
Veröffentlicht: (2025)

Outsourced Privacy-Preserving Feature Selection Based on Fully Homomorphic Encryption
von: Wakiyama, Koki, et al.
Veröffentlicht: (2025)

Fully Homomorphic Encryption on Llama 3 model for privacy preserving LLM inference
von: Abdennebi, Anes, et al.
Veröffentlicht: (2026)

Breaking the Layer Barrier: Remodeling Private Transformer Inference with Hybrid CKKS and MPC
von: Xu, Tianshi, et al.
Veröffentlicht: (2025)

Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption
von: Wang, William Zerong, et al.
Veröffentlicht: (2025)

Efficient Privacy-Preserving Recommendation on Sparse Data using Fully Homomorphic Encryption
von: Chowdhury, Moontaha Nishat, et al.
Veröffentlicht: (2025)

FHAIM: Fully Homomorphic AIM For Private Synthetic Data Generation
von: Kumar, Mayank, et al.
Veröffentlicht: (2026)

QuanCrypt-FL: Quantized Homomorphic Encryption with Pruning for Secure Federated Learning
von: Mia, Md Jueal, et al.
Veröffentlicht: (2024)

TT-TFHE: a Torus Fully Homomorphic Encryption-Friendly Neural Network Architecture
von: Benamira, Adrien, et al.
Veröffentlicht: (2023)

HyPHEN: A Hybrid Packing Method and Optimizations for Homomorphic Encryption-Based Neural Networks
von: Kim, Donghwan, et al.
Veröffentlicht: (2023)

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2023)

A Survey on Private Transformer Inference
von: Li, Yang, et al.
Veröffentlicht: (2024)

Private Transformer Inference in MLaaS: A Survey
von: Li, Yang, et al.
Veröffentlicht: (2025)

HE-LRM: Efficient Private Embedding Lookups for Neural Inference Using Fully Homomorphic Encryption
von: Garimella, Karthik, et al.
Veröffentlicht: (2025)

Encrypted Large Model Inference: The Equivariant Encryption Paradigm
von: Buban, James, et al.
Veröffentlicht: (2025)

Adaptive Attribute-Decoupled Encryption for Trusted Respiratory Monitoring in Resource-Limited Consumer Healthcare
von: Li, Xinyu, et al.
Veröffentlicht: (2026)

Towards Efficient Privacy-Preserving Machine Learning: A Systematic Review from Protocol, Model, and System Perspectives
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2025)

Comet: Accelerating Private Inference for Large Language Model by Predicting Activation Sparsity
von: Yan, Guang, et al.
Veröffentlicht: (2025)

FedMPQ: Secure and Communication-Efficient Federated Learning with Multi-codebook Product Quantization
von: Yang, Xu, et al.
Veröffentlicht: (2024)

Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption
von: Biswas, Sayan, et al.
Veröffentlicht: (2025)

Comet: A Communication-efficient and Performant Approximation for Private Transformer Inference
von: Xu, Xiangrui, et al.
Veröffentlicht: (2024)

A Multiparty Homomorphic Encryption Approach to Confidential Federated Kaplan Meier Survival Analysis
von: Veeraragavan, Narasimha Raghavan, et al.
Veröffentlicht: (2024)

Not My Agent, Not My Boundary? Elicitation of Personal Privacy Boundaries in AI-Delegated Information Sharing
von: Guo, Bingcan, et al.
Veröffentlicht: (2025)

Agentic LLMs as Powerful Deanonymizers: Re-identification of Participants in the Anthropic Interviewer Dataset
von: Li, Tianshi
Veröffentlicht: (2026)

Secure Semantic Communication With Homomorphic Encryption
von: Meng, Rui, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning from Partial Decryption Verifiable Threshold Multi-Client Functional Encryption
von: Wang, Minjie, et al.
Veröffentlicht: (2025)

Linearizing Models for Efficient yet Robust Private Inference
von: Sarkar, Sreetama, et al.
Veröffentlicht: (2024)

Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
von: Marques, Alexandre, et al.
Veröffentlicht: (2026)