该论文提出了一种名为Tetrad的框架，用于在最多一个被动腐败方存在的四参与方场景下，实现安全的多方计算（MPC），以支持隐私保护的机器学习训练和推理。Tetrad在环上运行，提供了公平性和鲁棒性两种安全级别。其公平乘法协议仅需5个环元素，优于先前最先进的Trident协议（Chaudhari等人，NDSS'20）。Tetrad的一个关键特性是鲁棒性在公平协议之上是免费获得的。其他亮点包括：概率截断无开销、多输入乘法协议、用于切换计算域（算术与布尔电路）的转换协议，以及定制化的混淆电路方法。作者在LeNet和VGG16等深度神经网络上对Tetrad的训练和推理性能进行了基准测试，结果显示，与Trident相比，Tetrad在机器学习训练中快达4倍，推理中快达5倍，且部署成本低至Trident的六分之一。该工作适用于需要保护模型或数据隐私的联合学习场景，以及任何需要三台以上服务器但容错性要求较高的安全计算环境。