New resource added to FHE.org/resources :
"AAAI 2024 Tutorial: Fully Homomorphic Encryption for Privacy-Preserving Machine Learning using the OpenFHE Library" by Ian Quah, Yuriy Polyakov, and Sukanya Mandal.
https://fhe.org/resources/#00191
Know of an FHE resource that should be shared? Let us know below!
Гомоморфное шифрование запросов в LLM
Инструменты LLM получили большую популярность практически во всех сферах IT, но из-за этого возникла очень серьёзная проблема: утечки информации . Многие пользователи случайно или по незнанию отправляют в облако конфиденциальную информацию о себе или своей компании. А попав на серверы AI-разработчика, эти данные могут (и будут) использоваться для обучения LLM, профилирования, социального моделирования, перепродажи и др. В любом случае, компании выгодно сохранять запросы пользователей навечно. Пользовательские данные — главный актив таких компаний, включая чат-сессии и документы. Возникает вопрос: как работать с LLM, но отправлять запросы и получать ответы в зашифрованном виде, чтобы даже провайдер услуг и владелец LLM не имел доступа к этой информации? Эту проблему решает гомоморфное шифрование . Выполнение зашифрованных операций над зашифрованным текстом.
https://habr.com/ru/companies/globalsign/articles/979114/
#OpenFHE #LLM #гомоморфное_шифрование #FHE #E2E #latticebased_cryptography #криптография_на_решётках #обучение_с_ошибками #Learning_with_errors #LWE
#OpenFHE - Open-Source Fully #Homomorphic #Encryption Library
https://github.com/openfheorg/openfhe-development
