在智能家居、可穿戴设备等传感器密集型环境中，系统通过异构的多传感器数据流推断用户正在使用的应用，从而提供智能服务。然而，并非所有应用都应该被识别——用户希望某些活动保持私密。现有隐私保护方法（如差分隐私、基于规则的过滤）仅针对单一数据流，无法应对攻击者利用跨传感器关联推断出用户隐私的风险。为此，论文提出一种名为 PrivateHub 的隐私保护框架，采用对比学习与扩散模型的结合，生成合成的多传感器数据流。该方法生成的数据可以保持非私密应用的可检测性，同时有效掩盖私密应用的存在。PrivateHub 包含两个训练阶段：应用条件预训练（ACP）和应用感知微调（AAF）。ACP 阶段利用应用嵌入对多传感器数据进行条件生成建模，使模型理解应用类别与传感器模式的关系；AAF 阶段通过对比学习将私密和非私密数据在表征空间上分离，并优化生成器使得私密应用在合成数据中对应的特征与真实数据混淆，从而显著降低攻击者分类器对私密应用识别的准确率。论文还定义了多传感器共享场景下的威胁模型，假设攻击者直接访问用户共享的原始传感器数据流，并尝试推断用户正在使用的应用。在三个真实多传感器数据集上的实验表明，PrivateHub 能将私密应用的识别准确率降低 40% 到 50%，同时非私密应用的分类性能几乎不受影响。即使在攻击者利用合成数据对自身模型进行再训练的情况下，该方法的隐私保护效果依然稳定，说明其并非依赖简单的噪声扰动，而是产生了具有泛化性的特征混淆。本文的主要贡献包括：提出了首个面向跨传感器推断风险的扩散生成式隐私保护方案；设计了对比学习与条件扩散模型的结合机制；给出了完整的威胁模型和评估协议。该研究适合可信机器学习、隐私保护、物联网数据共享等方向的学者及从业者阅读。

该论文首次系统性地研究了函数秘密共享（Function Secret Sharing, FSS）中的访问控制问题。FSS 允许一个分发者将函数 f 的份额分发给两个或多个评估者，评估者可以在不泄露 f 本身信息的情况下，对任意输入 x 本地计算出 f(x) 的秘密份额。然而，传统 FSS 模型未验证分发者是否被授权共享特定函数。本文提出了访问控制 FSS 模型：针对函数族 F 及其上的访问控制列表，评估者在收到 f 的份额后，可以有效验证分发者是否持有该 f 的访问密钥。该模型支持多种新应用，包括多方环境中的匿名认证、私有数据库中的访问控制，以及匿名通信系统中的认证和垃圾信息防护。文中定义的形式化构造抽象并改进了近期多个系统中临时实现 FSS 访问控制的方案。其核心效率提升模块是一个基于离散对数的、支持秘密共享元素上的零知识证明（ZKPoK），该模块本身可能具有独立的研究价值。实验评估表明，在匿名通信场景中，与现有访问控制技术相比，计算开销降低了 50 至 70 倍；在私有数据库应用中，当数据库条目达到 500,000 条以上时，引入访问控制带来的摊销处理成本仅为 1.5 至 3 倍。该工作适合密码学、隐私计算、匿名通信和数据库安全领域的研究者与工程师阅读。

该论文提出了一种名为 MinBucket MPSI 的新协议，旨在解决多方私有集合交集（MPSI）中最大规模瓶颈的问题。传统的 MPSI 协议在处理大规模集合时，通常受到最大集合大小的限制，导致计算和通信开销随参与者数量线性增长。MinBucket MPSI 通过引入一种基于桶划分的优化技术，将集合分割成多个小桶，并在每个桶上独立执行交集运算，从而显著降低了对最大集合大小的依赖。论文还提供了名为 uMPSU 的高效 C++ 实现，该实现基于上述协议，并在实验环境中验证了其性能提升。实验结果表明，与现有最优协议相比，MinBucket MPSI 在处理大规模多方集合时，计算时间和通信量均减少了 30% 以上，且可扩展性更强。该工作的主要贡献在于打破了 MPSI 中最大集合大小的理论瓶颈，为实际应用中的多方隐私计算提供了更高效的解决方案。