Pushing Forward Multi-Secret-Key Homomorphic Encryption for Private Average Aggregation
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
#multi-party-computation
共收录 6 条相关情报。
← 返回所有主题Revisiting Continuous Noise Sampling for Multi-Party Differential Privacy
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”（
Decor: Delegated Computation on Randomness for Secure Evaluation of Nonlinear Functions.
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。D
Selective MPC: Distributed Computation of Differentially Private Key-Value Statistics.
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
hbACSS: How to Robustly Share Many Secrets.
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/
Hyena: Balancing Packing, Reuse, and Rotations for Encrypted Inference.
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，