针对生物特征模板保护（BTP）中存在的可比较表示泄露、辅助数据依赖、与具体模态耦合等问题，本文提出了一种名为多置换标签分类器编码（MPLCE）的新方法。其核心思想是利用身份分类的固有特性——将变化的生物特征样本映射到稳定且具判别性的身份级输出。MPLCE 为每个分类器分配独立的标签置换，使得同一身份在不同分类器中被赋予不同标签；将这些预测标签编码并拼接形成中间模板，然后与特定应用的异或字符串随机化，最后进行密码学哈希。这一设计避免了单个身份标签的重复编码，扩大了有效候选空间，同时通过分类一致性保证准确率。由于采用加密哈希精确匹配验证，无需纠错码或依赖生物特征的辅助数据。MPLCE 支持多种模态，只需替换相应分类器即可。在四个面部数据集（如 YTF、CASIA-WebFace 等）和两个虹膜数据集（CASIA-Iris-Lamp 等）上，MPLCE 取得了具有竞争力的性能：在 YTF 上误识率（FAR）为 5.51×10⁻⁵% 时识别率（GAR）达 98.61%；在 CASIA-Iris-Lamp 上 FAR 为 0.00% 时 GAR 达 99.10%。安全性分析验证了在威胁模型下模板的不可逆性、可撤销性和不可链接性。该方法为生物特征模板保护提供了一种理论新颖且实践可行的方案，尤其适用于需要高安全等级的跨境认证、金融支付等场景。

该论文提出了基于哈希的同态人工智能（HbHAI）技术，该技术利用一类新型密钥相关哈希函数，能够在保留大多数AI算法所依赖的相似性属性的同时，对加密形式的数据进行分析和处理。与现有的同态加密方案相比，HbHAI在性能上取得了显著提升，甚至优于对明文数据的直接处理。论文报告了两项突破性成果：首先，将压缩率提高了10倍，从而能够在减少计算时间和能耗的同时处理大规模数据集；其次，通过引入重复纠错码，实现了任意降低基于AI的决策测试的最终验证误差。该方法支持在不修改现有AI算法的情况下直接应用于加密数据，具有广泛的应用前景。