本文针对高维单细胞数据中罕见疾病相关细胞亚群检测的隐私保护问题展开研究。细胞亚群的精确识别对于理解白血病、病毒感染等疾病至关重要，而现有的深度学习方法如CellCnn卷积神经网络能够在0.01%的低频率下识别表型相关细胞群，但其训练需要聚合来自多个机构的患者数据，以覆盖更大、更多样化的队列。然而，原始单细胞数据高度敏感，受隐私法规约束难以跨机构共享。为此，作者提出了一种基于安全多方计算（MPC）的框架，使得CellCnn的模型训练和推理完全在秘密共享数据上进行，确保参与方和计算服务器都无法接触到原始患者数据或中间计算值。该框架在巨细胞病毒感染（CMV）和急性髓系白血病（AML）的基准单细胞数据集上进行了评估，结果表明其精度与明文训练基本相当，并优于此前的隐私保护基线方法。与早期隐私保护方法不同，本文方法保留了ReLU激活函数和偏置项等关键组件，从而维持了模型架构的完整性和分析准确性。该研究为医疗健康数据在隐私保护前提下进行分布式机器学习提供了可行的技术路径，适合隐私计算、医疗AI及数据合规领域的研究者和工程人员阅读。

本文旨在弥合多方计算（MPC）理论与实践之间的差距，特别是针对具有间歇性延迟的网络环境中实现完全鲁棒性（即保证输出交付，包括离线阶段）的问题。现有的MPC库缺乏完全的鲁棒性，而理论上的MPC构造虽然能够保证鲁棒性，但实践中缺乏高效的可验证/完全秘密共享（VSS/CSS）方案。现有CSS协议要么需要实际中难以实现的广播信道，要么产生至少与参与者数量成二次方的计算和通信开销。本文提出了hbACSS，一套最优弹性的异步完全秘密共享协议，其计算和通信开销均为（准）线性。为了实现hbACSS，作者开发了hbPolyCommit，一种高效的多项式承诺方案，在多项式度上实现（准）线性的计算和通信开销，且无需可信设置。作者实现了hbACSS协议，并进行了广泛的实用性分析，观察到协议随参与方数量增加而良好扩展。特别是，使用hbACSS生成MPC输入掩码，这是一种实用原语，此前在实践中仅能以非鲁棒方式计算。该工作对希望构建鲁棒MPC系统的开发者和研究者具有重要参考价值。

本文提出 Hyena，一个针对同态加密（HE）下深度神经网络推理进行优化的硬件-软件协同框架。针对云服务中用户数据隐私保护需求，HE 允许在加密数据上直接计算，但计算和数据移动开销巨大。Hyena 采用混合 HE 与多方计算（MPC）方案，相比纯全同态加密（FHE）更实用。主要贡献包括：(1) 新的数据打包技术，降低数据移动量；(2) 新的数据流，增加复用，减少旋转、密钥切换、NTT 转换等昂贵操作；(3) 在平衡流水线架构上评估，高效处理上述原语。实验表明，与广泛使用的 Channel-packing 相比，Hyena 实现 38 倍加速和 162 倍能耗降低，ResNet20 推理端到端延迟仅 11.4 毫秒，加速器面积 163 mm²，功耗 16.75 W。本文适用的读者包括隐私计算、硬件加速、安全推理领域的研究者和工程师。