该论文研究多客户端决策树评估（Multi-Client Decision Trees Evaluation）问题，提出了一种名为“Let's Stride Blindfolded in a Forest”的新协议。核心目标是允许多个数据持有方在各自私有数据上联合评估一棵决策树，同时不泄露任何一方的输入数据或中间结果。传统方法通常依赖同态加密或安全多方计算，但存在计算开销大、通信复杂度高的问题。论文通过引入亚线性（sublinear）的通信与计算开销，使得评估复杂度与决策树深度而非树规模相关，显著提升了效率。方法上可能结合了不经意传输（OT）、函数秘密共享（FSS）或秘密共享等密码学原语，设计了一种可并行的协议，并支持批量评估。实验部分验证了协议在多个数据集上的性能优势，与现有方案相比，在在线/离线阶段、通信量以及运行时间上均有改进。该工作适合密码学、安全计算和隐私保护机器学习领域的研究者阅读，尤其关注多方数据协作场景下的高效决策树推理。

本文提出SortingHat，一种高效的私有决策树评估（PDTE）方案，利用同态加密（HE）和转译（transciphering）技术，解决现有PDTE方案在通信复杂度和计算效率上的瓶颈。传统方法中，客户端需对每个决策节点发送加密查询，导致通信开销与树深度线性增长。SortingHat通过将决策树转化为多项式表示，并采用HE的SIMD操作并行处理所有节点，同时引入转译技术将客户端端的对称加密开销转移到服务端，从而大幅降低通信量。实验表明，在深度为20的决策树上，SortingHat的通信量仅为现有最优方案的1/10，且在线阶段的计算时间与树深度无关。该方法特别适用于金融、医疗等对数据隐私要求严格的场景，允许客户端在服务端不获取任何明文信息的情况下使用模型。论文给出了详细的安全性证明和性能评估，证明了SortingHat在安全性和实用性上的优势。