EIFL：在联邦学习中高效保护全局模型隐私与完整性、抵御不可信服务器
针对联邦学习中不可信服务器可能返回被篡改的全局模型、且现有验证方案依赖客户端预先协商并保密的辅助信息（一旦泄露即可被绕过）的问题，研究者提出 EIFL。该方法采用两阶段聚合并结合对称加密保护输出隐私，基于向量内积实现高效完整性验证，并用随机向量生成让客户端就辅助信息达成一致，将辅助信息与输出完整性绑定，无需再对服务器保密，同时通过简单重发机制抵御验证阶段的客户端掉线。
#隐私计算
arXiv 隐私论文AI 评分3131
arXiv 隐私论文AI 评分4141 HE-OFT：同态加密下隐私保护的一次性联邦微调
HE-OFT 是首个不向任何参与方交付训练模型的密码学安全一次性联邦微调协议：各客户端在冻结的公共骨干网络上微调低秩适配器与分类器头，仅上传一次加密的头部位移，由服务器在多方 CKKS 下合并且从不解密。
arXiv 隐私论文AI 评分5252 Zeppelin：面向 Helium 微控制器的客户端 BFV 加解密库
Zeppelin 是首个使用嵌入式向量指令集、首个在嵌入式设备上同时支持加密与解密的同态加密库，也是首个在 MCU 级硬件上实现的 BFV 方案。
Google 安全博客精选AI 评分6262 Google 开源 HEIR 编译器，让 AI 模型在加密数据上推理
Google 在 Private Computing Toolkit 中新增开源编译器 HEIR（Homomorphic Encryption Intermediate Representation），可将预训练 AI 模型从处理未加密数据转换为处理加密输入，目标是让非专家也能一键把加密推理接入生产应用。
推荐理由：Google 开源 HEIR 编译器，把预训练 AI 模型转为在加密数据上推理，读者可了解同态加密落地的工程路径与四个演示场景。