联邦学习中客户端的上传模型更新可能泄露隐私，私有平均聚合是跨孤岛场景的关键环节。同态加密(HE)可作为私有聚合的基础，但传统单密钥方案要求客户端与聚合器之间满足强不共谋假设；多方同态加密(MHE)虽能消除此限制，却因近期针对受限解密访问的攻击而必须在协作解密时加入与安全参数λ相关的极大方差smudging噪声，进而导致密文显著膨胀和实现复杂度上升。本文基于RLWE困难问题提出轻量级多密钥同态加密协议，核心创新是避免生成集体公钥：每个客户端用自己的密钥加密模型更新，所得密文仍支持同态累加和多客户端协作解密；协议在解密时显式跟踪并抵消密文中的噪声分量，从而彻底去除对smudging噪声的依赖，大幅降低通信占用和在线计算开销。作者给出了两种实例化：基于BFV的精确整数聚合版本，以及基于CKKS的近似实数聚合版本；并在半诚实安全模型下证明，即使聚合器与至多L-1个客户端合谋，协议仍可保证安全性。与最新MHE聚合方案相比，所提方法明显减小了密文扩展度和在线运行代价，同时保持了实用的同态聚合性能，显示出其在真实联邦学习部署中的潜力。该工作为跨孤岛联邦学习中的隐私聚合提供了更高效的安全设计，但当前仍偏理论分析与仿真验证，尚需实现与标准化。适合关注隐私保护机器学习和应用密码学的安全工程师及研究人员阅读参考。

这篇论文重新审视了多方差分隐私（DP）中连续噪声采样的协议。在多方计算（MPC）与差分隐私结合的场景下，各方需要在不依赖可信中心的情况下发布聚合统计，其核心原语是在有限精度算术下从连续分布中采样噪声。作者首先识别了广泛使用的“采样-缩放”（sample-and-scale）构造中的一个漏洞：算术电路中的缩放操作会将噪声限制在一个稀疏、公开可数的值集合内，使得攻击者通过观察发布的带噪声查询结果，能够推断出哪个数据集产生了这些结果。具体地，作者对两个采用此类有缺陷采样协议的系统发起了攻击：Orchard（OSDI'20，用于DP安全聚合）和DP-BREM$^+$（USENIX Sec'25，用于DP联邦学习），在实践使用的任意噪声缩放因子$s\geq 2$下，两个系统的攻击成功率都接近100%。作者指出，该泄露源于缩放操作本身，直接修复要么大幅牺牲效用，要么显著增加精度位数导致采样代价更高。为了解决安全和效率问题，作者转向在单个偏置比特粒度上进行离散采样，对采样器进行了多项优化并证明了其安全性。实现结果表明，与现有安全离散采样器相比，实现了4倍到612倍的加速；与不安全的“采样-缩放”范式相比，实现了数量级的加速，同时与理想连续机制相比，效用损失可忽略不计。该研究适合关注隐私计算、差分隐私、多方计算和安全协议设计的学者与工程师阅读。

本论文提出了一种名为 Decor 的计算框架，核心思想是将随机性相关的计算进行委托，以安全地评估非线性函数。在安全多方计算、同态加密等隐私计算场景中，非线性函数（如指数、对数、三角函数等）的求值通常高度复杂，且需要大量随机性来保证安全性。Decor 通过将部分随机性生成和预处理计算委托给辅助方，在保护输入隐私的前提下，显著降低主参与方的计算和通信开销。该方法可能基于秘密共享或混淆电路等技术，将非线性函数分解为更简单的操作，并利用委托的随机性来简化安全求值协议。论文的作者团队来自学术和工业界，可能提供了形式化的安全定义、协议构造、以及针对典型非线性函数的性能评估。由于仅提供标题，无法获取完整摘要，本摘要基于论文标题和常见研究背景进行概括，具体技术细节和实验结论需查阅原文。适合对隐私计算、安全多方计算和密码协议优化的研究人员和从业者阅读。

键值（key-value）数据是一种自然存在的数据类型，例如用户对Web服务、商品或特征的评分，但在本地信任模型下尚未得到深入研究。现有的本地差分隐私（LDP）方案在计算键值统计数据时，由于每个用户独立添加噪声，导致最终统计结果的精度受到严重限制。多此计算（MPC）虽然能够保持比LDP更高的准确度，并且同样不需要可信的中央参与方，但如果直接将MPC应用于键值数据，其计算开销通常令人望而却步。为了解决这一矛盾，本文提出了一种新颖的分布式计算范式——选择性多方计算（Selective MPC）。核心思路是：为每个参与方提供一个随机数据子集的视图，凭借差分隐私的泄漏特性，巧妙地捕获“减法噪声”（subtractive noise），从而在保持隐私的同时显著提升统计精度和计算效率。作者严格证明了该协议满足纯差分隐私，并在差分隐私与MPC的组合模型下具备可证明的安全性。在实验评估中，该协议能够在20秒内计算包含10000个键的统计数据，并可扩展到30个服务器，对于单个键的查询响应时间不足1秒。这项工作突破了传统LDP与MPC在键值统计场景中的性能瓶颈，为分布式环境下高精度隐私统计提供了可行的技术路线，尤其适用于数据分散在多个机构且彼此不信任、却又需要联合统计分析的场景。

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。