本文研究联邦学习中的聚类联邦学习（CFL）问题。在联邦学习场景下，不同客户端的数据分布往往存在高度异质性，直接训练单一全局模型会导致性能下降。聚类联邦学习通过将数据分布相似的客户端分组，为每个组训练定制化模型，从而有效应对数据异构。然而，现有CFL方法在隐私保护、通信成本和计算效率三者之间存在内在矛盾：提升其中两个维度通常以牺牲第三个为代价，作者将其形式化为“CFL三难困境”（CFL trilemma）。一类主流方法依赖元数据（即客户端数据集的低维表征，上传至服务器）来实现低通信和低计算成本的聚类，但这类元数据本身可能泄露客户端数据信息，无法与标准联邦学习中的隐私保护机制（如同态加密、安全聚合）兼容。为解决这一局限，作者提出FLAMECHE框架。该框架将基于元数据的CFL重新建模为分布式期望最大化（EM）过程，将服务器端的更新操作严格限制为加法运算，从而在不牺牲聚类效率的前提下，使该方法能够兼容实用的安全联邦学习协议（如加密聚合）。实验在多个数据集和多种异构场景下进行，结果表明FLAMECHE显著提升了客户端模型的性能，并成功实现了支持加密兼容的元数据聚类，进而在CFL三难困境中取得了更优的平衡。本文的核心贡献包括：形式化CFL三难困境、提出FLAMECHE的EM分解设计、以及在加密兼容性下保持聚类与训练效果。适合关注联邦学习隐私保护、分布式机器学习系统设计以及安全聚合机制的研究人员阅读。

本文提出了一种名为 Sparse Roots of Unity (SPRU) 的新型引导（bootstrapping）算法，用于 CKKS 全同态加密方案。CKKS 是一种支持近似算术的同态加密方案，广泛应用于隐私计算和密文机器学习。在 CKKS 中，密文噪声会随着同态运算而增长，因此需要引导操作来刷新密文、控制噪声并扩展计算深度。原始的 CKKS 引导方法通过同态计算一个近似模约减的多项式来实现，该多项式逼近模 q 的约减操作，但这种方法的乘法深度较大，导致效率受限。与此不同，SPRU 引导直接利用复数单位根来嵌入模 q 的加法群结构，而单位根上的乘法可以在 CKKS 方案中近乎原生地执行，从而避免了高深度的多项式近似。这种设计显著降低了引导所需的乘法深度，进而允许使用更小的环维度，提高了整体效率。作者在 OpenFHE C++ 库中实现了 SPRU 引导，实验表明对于槽数较少的密文，与原始方法相比，引导延迟最多可降低 5 倍。这一成果对于同态加密的实际部署具有重要意义，尤其是在需要在资源受限或低延迟环境中执行深度计算的应用中。论文的核心贡献包括：提出 SPRU 引导的完整算法框架、给出理论分析、提供实现和性能基准。适合同态加密研究者、隐私计算工程师以及关注高性能密文计算的安全从业者阅读。

本研究关注在本地模型（Local Model）下私有化释放函数（特别是曲线）的问题。曲线是连续函数在有限区间上的像，真实世界中许多数据天然以曲线形式存在，例如轨迹数据、一维密度曲线等。在本地模型中，每个个体的数据是一个函数，而隐私保护的目标是释放该函数的某种扰动版本。标准本地差分隐私（Local Differential Privacy, LDP）要求任意两个截然不同的函数经过私有化后都不可区分，这一条件过于严格，导致扰动后函数失去可用性。为此，作者引入更广义的隐私概念——地理隐私（Geo-Privacy, GP）。GP 的核心思想是：在度量空间上距离较远的两个函数可以被较为容易地区分，而距离较近的函数则获得强保护。这与实际需求匹配：距离近的曲线可能代表相似用户行为或邻近位置，需要严格隐藏；距离远的曲线则可保留区分度以保证数据效用。本文提出一个在本地模型下基于 GP 的函数私有化框架，并使用多个数据集对该框架进行实验评估，验证了其在隐私和效用之间的平衡能力。该工作填补了本地模型下函数/曲线私有化研究的空白，并为轨迹数据、密度曲线等个体级连续数据的安全发布提供了新的方法论参考。适合差分隐私、位置隐私、轨迹数据分析等领域的研究者阅读。

本文提出了一种针对物联网（IoT）设备的本地化BGP劫持检测方法。传统上，BGP路由劫持被视为大规模系统问题，需要网络服务提供商采取行动，而边缘网络（如家庭网络）的路由信息被认为不具有可操作性。作者利用IoT设备功能有限以及单个家庭网络中间质性的特点，通过隐私保护的机器学习分析来自单个设备的路由分布的尖峰态分布，从而识别控制平面攻击。该方法包括一个本地代理，用于监控IoT设备和服务以检测BGP劫持，以及一个代理服务器，利用全局历史数据初始化本地代理。实验表明，这种方法能够使小型实体（如家庭用户或小型企业）利用大规模历史数据结合自身历史来检测针对性的BGP劫持攻击。核心贡献在于将BGP劫持检测下沉到边缘，使非专业用户也能有效防御。

该论文针对美国枪支暴力问题，提出了一种去中心化、端到端加密的国家枪支注册系统的密码学协议设计。美国参议院正在起草一项法案，旨在建立自愿性的全国枪支登记系统，该系统采用去中心化架构，由地方县级官员控制和管理其选民的注册数据，其他官员和执法机构可查询这些本地数据库以追踪枪支。由于数据的高度敏感性，需要保证机密性。作者将法案的高层愿景转化为技术需求，并设计了对应的密码学协议。该协议可视为由本地管理的端到端加密数据库组成的去中心化系统，其构建基于多种密码学原语，包括结构化加密、安全多方计算和秘密共享。作者提出了正式的安全定义，并证明协议满足该定义。他们还实现了原型系统，并在美国部署规模下进行了性能评估，结果表明去中心化且端到端加密的国家枪支注册不仅在理论上可行，在实践中也是可行的。论文的主要贡献包括：将政策需求转化为技术规范、设计并证明安全的密码学协议、以及通过实现和实验验证了实用性。适合对密码学应用、隐私保护系统设计以及公共安全技术感兴趣的读者。

该论文针对基于RLWE的同态加密（HE）在联邦学习（FL）聚合中保护隐私时面临的计算和通信开销问题，提出了一种新型的两层数据编码方法。现有方法通常简单地在多项式中拼接整数或分配系数，未能充分利用RLWE的结构特性。作者设计了一种双层数据打包策略，在整数层和多项式层分别进行批量处理。第一层（整数层）将量化后的模型数据合并为更大的整数，并引入基于中国剩余定理（CRT）的编码方法替代传统拼接，有效缓解了溢出和错误传播问题。第二层（多项式层）将大整数转换为多项式形式，并提出了新的子环分解方法，通过环同构映射将多个大整数投影到不同的子多项式环中。该双层编码提供了更灵活和高效的批量同态加密解决方案。作者严格分析了方法的正确性、效率和安全性，实验结果表明，在联邦学习中应用该技术可显著提升计算和通信效率，优于当前批量同态加密方法。该研究主要面向隐私保护、密码学和安全联邦学习领域的研究人员。

本文针对基于环误差学习（RLWE）问题的同态加密（HE）方案在安全计算中的广泛应用，提出了一种面向RLWE密文的水印技术。现有HE方案主要关注计算可行性与效率，忽略了密文版权保护、来源认证和计算监管等实际需求。作者利用RLWE多项式的代数结构，将微小噪声作为水印信息嵌入密文多项式，且不影响明文值。然而，密文在经历多次同态运算后可能使水印失真或消失。为此，论文提出了两种解决方案：第一种方案ARWMark基于噪声分层，对同态加法操作具有鲁棒性；第二种方案MRWMark利用线性方程根构造，同时对加法和乘法操作具有鲁棒性，且支持零比特水印。理论分析证明，这些方案不牺牲HE原有的安全性，同时保证了水印的正确性和鲁棒性。实验验证了两种方案的有效性。该研究为同态加密场景下的版权保护和数据溯源提供了新的技术手段。

该论文提出了一种名为MOSAIC-FL的微服务架构隐私保护联邦学习框架，重点面向基因组学等敏感数据领域。框架采用模块化设计，集成gRPC高效通信层和有限状态机以确保组件同步和威胁检测；核心安全机制基于CKKS同态加密的阈值变体实现容错安全聚合，要求至少t个活跃客户端才能解密，从而在保证隐私的同时降低通信开销。通过噪声洪水技术实现IND-CPA-D安全等级，并每轮更新集体密钥材料以抵御针对同步解密器的密钥恢复攻击。实验涵盖EMNIST手写数字识别和TCGA乳腺癌亚型分类等任务，评估了不同阈值和模型规模下的系统性能。该研究为联邦学习在医疗健康场景的隐私合规提供了可行方案。

本文提出 ScoreShield，一种差分隐私（DP）机制，用于安全发布向量嵌入之间的余弦相似度分数，适用于生物识别、检索增强生成（RAG）等应用。现有方法简单添加独立同分布高斯噪声会导致严重失真且隐私预算随分数数量平方级增长。ScoreShield 采用“扰动-投影”方法：先向原始分数向量添加校准到全局敏感度的高斯噪声，再将结果投影到有效余弦对象的可行集上，满足 (ε,δ)-DP。文章提供了精确 Frobenius 度量投影的效用保证，并证明了用于大规模 Gram 矩阵发布的平均交替投影求解器的收敛性。针对记录级替换邻接下的全配对余弦 Gram 矩阵发布，精确投影将平方 Frobenius 风险从朴素高斯基线（Θ(n^3)）降低到 O(n^2)。实验涵盖 RAG、人脸识别、语义检索、图像相似度和推荐系统任务，验证了 ScoreShield 在保持实用性的同时显著提升隐私保护。

该论文旨在解决区块链数字货币系统之间跨链资产转移的安全与隐私问题。现有方案在原子性、不可链接性、不可区分性、无抵押性以及跨不同货币系统的功能方面通常存在不足。为此，作者提出了P2C2T——一种保护隐私的跨链转账方案。P2C2T基于作者同时提出的阈值匿名原子锁（TA²L），该锁作为核心原语，保证原子跨链转账的同时隐藏用户之间的支付关系。通过将TA²L与可验证定时离散对数方案相结合，P2C2T使得跨链交易与普通链内交易无法区分。P2C2T消除了发送方的抵押要求，并对底层区块链只有最低要求（即验证签名的能力）。作者基于提出的阈值盲条件签名概念严格证明了TA²L的安全性，并通过必要证明展示了P2C2T的安全性。此外，他们将P2C2T与现有最接近的方案进行性能对比，结果显示在完成一次跨链转账时，P2C2T在运行时间、通信成本和存储成本上至少降低了85.488%。最后，作者在比特币测试网和莱特币测试网上进行了跨链转账和链内支付实验，验证了P2C2T的隐私性和实用性。

本文针对现代AI系统在用户数据收集、集中控制和隐私侵犯方面的社会风险（如大规模监控、权力过度集中、用户自主权丧失），提出了一种面向隐私保护的联邦披露框架。作者认为用户需要一种主权系统来安全地拥有、治理和披露个人上下文数据，同时满足跨监管领域的合规要求（包括来源追溯、可解释性和策略遵守）。为此，他们提出了“视角感知AI”（Perspective-aware AI），将用户聚合的个人数据转化为结构化身份模型——Chronicle（时间知识图谱），该图谱随用户交互增长，并支持在联邦网络中安全地披露上下文。具体地，Chronicle持有者可以暴露一个可查询、授权的视图，供第三方代理在不集中存储任何用户数据的前提下进行查询。本文的核心贡献是提出了“来源保留Chronicle”（Provenance Preserving Chronicles, PPC）协议，这是一种联邦协议，它将每个持有者的Chronicle编译为紧凑的“授权证据子图”，遵循“分享不超过请求所需”的原则。协议机制包括：持有者保留本地数据主权；访问控制器基于领域专家本体投射出关系感知的视图；采用两阶段流程——先返回带有来源链接的文本摘要，仅在持有者明确批准后才释放原始工件。论文还形式化了问题定义，分析了现有区块链、P2P和持有者主权方案的差距，定义了核心构造，并在明确的威胁模型下勾勒了协议细节。本文属于前沿隐私保护与AI治理交叉领域的研究，适合对去中心化身份、最小权限披露、知识图谱隐私和安全合规感兴趣的读者。

近年来深度学习模型与平台爆发式增长，但现有机器学习即服务（MLaaS）架构通常假设模型完全可信，忽略了模型所有者和用户双方的隐私需求。在实际安全多方计算场景中，模型所有者不愿泄露高价值模型参数，用户也不愿暴露私有数据样本。传统的隐私保护深度学习方案要求用户先同态加密数据再发送给模型所有者，由所有者承担沉重的密文域计算负荷。本文提出一种新型框架PrivDNN，通过将加密后的深度学习模型分发给用户，将计算卸载到用户侧；利用部分DNN加密（仅加密核心神经元）显著提升推理效率；并设计了核心神经元选择与加密方案，在保障模型准确率的同时保护模型隐私。实验表明，PrivDNN在保持模型性能与隐私的前提下，将隐私保护DNN推理时间与内存需求降低高达97%。代码已开源。

该论文探讨了利用联邦学习（FL）进行安全事件预测的可行性。当前网络防御越来越依赖主动预测攻击者的下一步行动，但构建准确的预测模型需要多个组织的数据，这涉及敏感信息（如网络结构、安全策略）的泄露。为此，作者提出了 Cerberus 系统，允许参与组织协作训练循环神经网络（RNN）模型，而无需共享原始数据。联邦学习在集中式训练（高隐私风险）和本地训练（低效用）之间提供了折中方案。Cerberus 在来自某安全公司入侵防御产品的大规模数据集上进行了评估，从效用、鲁棒性、隐私以及参与者的贡献与收益等维度进行了分析。实验表明，联邦学习能够达到接近集中式训练的准确性，同时显著降低隐私风险。研究还揭示了 FL 在安全预测中的挑战，如异质性数据、通信开销和模型收敛问题。该工作为联邦方法在预测性安全中的部署奠定了基础，展示了其提升跨组织协作防御能力的潜力。适合安全研究人员、数据隐私工程师及关注联邦学习应用的从业者阅读。

本文提出 Sarus，一个基于同态加密的隐私保护多供应商感知融合框架，旨在解决自动驾驶车辆在多供应商部署场景中共享检测输出时面临的隐私和安全问题。传统协作感知通过聚合多个代理的检测结果提升环境感知能力，但暴露了供应商的模型行为和敏感环境信息。Sarus 允许每个供应商将检测结果编码为紧凑的高斯矩向量，并映射到共享的空间格点上，然后将加密后的有效载荷发送到融合服务器。服务器在加密域中直接聚合这些向量，无需解密即可完成融合。融合结果经解密后，通过按类别的 bin 合并重建最终检测。论文分析了计算复杂度：供应商端有效载荷构建呈线性缩放，服务器端融合复杂度为 O(BV)（B 为占据格点数，V 为供应商数），后处理复杂度为 O(B + Σ B_c^2)（B_c 为类别 c 占据格点数）。实验使用 KITTI 数据集，结合相机（YOLOv8）和 LiDAR（PointPillars, PV-RCNN）检测器，结果表明 Sarus 能有效聚合互补检测，提升场景级覆盖，尤其在单模态退化距离区域。同态加密仅带来有界的常数因子开销，解密是后处理的主要成本。该工作证明了在充分利用统计压缩和空间稀疏性时，隐私保护的多供应商感知融合可实时部署。

该论文针对加密消息系统中虚假信息泛滥的问题，提出了一种名为FACTS（模糊匿名投诉计数系统）的隐私保护方案。随着WhatsApp、Signal、Telegram等端到端加密通信的普及，用户隐私得到增强，但同时也为虚假信息的传播提供了隐蔽渠道。现有解决方法要么破坏加密性，要么效率低下。FACTS的核心思路是：允许用户对消息进行匿名投诉，只有当投诉数量达到预设阈值时，系统才会揭示消息的内容和发送者。这一机制在保护隐私的同时，有效抑制了虚假信息的扩散。技术贡献方面，论文设计了一种新型协同计数布隆过滤器（collaborative counting Bloom filter），这是一种具有困难概率分析的简单构造，可作为隐私保护的随机计数草图数据结构独立使用。与先前工作相比，FACTS的创新之处在于引入了多投诉阈值，即在审计或标记消息前需要累积足够多的投诉，从而避免误报和恶意滥用。论文在安全性、隐私性和可扩展性上给出了严格定义：隐私性保证未收到或收到少量投诉的消息的发送者和内容不被泄露；安全性防止恶意用户逃避系统或过度影响投诉结果；可扩展性通过实验证明每天可处理数百万投诉。实验评估了数据结构的概率准确性，验证了方案的实用价值。该研究适合关注加密通信、隐私计算、虚假信息防御的安全研究者和工程师阅读。

该论文提出了一种名为 DP-Forward 的新方法，旨在解决差分隐私随机梯度下降（DP-SGD）在语言模型微调与推理中的局限性。DP-SGD 通过在反向传播过程中向梯度添加噪声来保护训练数据免受隐私泄露（如成员推断攻击），但它无法防御推理阶段的威胁，例如嵌入反转攻击和敏感属性推断。此外，DP-SGD 在微调大型预训练语言模型时存在存储和计算成本高昂的问题。DP-Forward 转而将噪声注入到前向传播阶段，具体来说，是在模型每一层的激活值或嵌入表示中添加精心设计的噪声，从而实现差分隐私保护。该方法不仅能够保护训练数据的隐私，还能抵御推理阶段的隐私攻击，同时降低了存储和计算开销。论文在多个语言模型和数据集上进行了实验，评估了隐私-效用权衡，结果表明 DP-Forward 在保持模型性能的同时，显著提升了隐私保护效果。该工作为语言模型的隐私保护提供了一种新的思路，尤其适用于需要同时保护训练和推理隐私的场景。

动态频谱共享（DSS）是下一代无线系统的关键，但现有方案如频谱接入系统（SAS）依赖集中式管理员，暴露敏感操作元数据且缺乏加密交易问责性。尽管SAS管理员（如Google）引入了按需付费定价模型，但随着DSS向更开放和大规模的频谱市场演进，这些方法仍面临隐私和问责挑战。本文提出SpexPay，一个隐私保护且可审计的按需付费频谱使用框架，能在不泄露用户身份的情况下实施细粒度、与使用量挂钩的支付。SpexPay集成BBS+可验证凭证、不可链接会话假名和选择性披露证明，实现隐私保护访问授权，同时利用基于Solidity的智能合约实现自动且不可否认的托管结算。系统仅在链上记录假名使用证据和哈希链计量数据，实现强不可链接性，同时保持可验证的问责性和可审计性。完整原型展示了低端到端延迟（约150毫秒）和适中的链上成本（约603K gas或约0.9美元），表明SpexPay在实际DSS部署中是可行的。还在Raspberry Pi 5上评估了用户端密码操作，以评估可扩展性和对边缘级硬件的适配性。代码和工件公开可用。

该论文提出了一种多级隐私保护框架，用于从语音中进行痴呆症检测，同时防止说话人身份泄露。现有方法通常只解决单一威胁（如仅信号级或特征级），且难以平衡隐私保护与检测效用。本文设计的框架针对两种窃听向量：在信号级，提出累积信号攻击（CSA），通过在关键词对齐区域集中添加扰动，最大化语音转录错误率（词错误率WER=1.00），同时保留关键的韵律生物标志物；在特征级，利用梯度反转层（GRL）结合互信息（MI）引导的噪声注入，抑制说话人判别性维度，同时保留与痴呆症相关的诊断结构。在DementiaBank Pitt语料库上评估，框架在说话人识别任务上达到接近随机水平（等错误率EER=0.59，F1=0.003），同时保持较好的痴呆症分类性能（F1=0.78，AUC=0.86）。实验表明，该框架有效解决了隐私-效用权衡问题，为敏感医疗语音数据的安全利用提供了新思路。

由于未提供论文摘要，无法生成详细总结。该论文标题为《Practical Multi-Party Private Set Intersection with Reducible Zero-Sharing》，可能涉及多方安全计算中的隐私集合交集协议优化，但具体内容未知。

本文提出 Recifhe，一种针对全同态加密（FHE）的多级编译器，旨在优化 FHE 程序的执行效率。现有的 FHE 编译器（如基于 RNS-CKKS 方案的）通常在粗粒度的密文级进行优化，但每个密文操作内部由多个多项式操作构成，这些跨密文操作的多项式级优化机会被忽略。Recifhe 在密文级将非 FHE 输入程序转换为 FHE 程序，插入密文管理操作并应用全局优化；在多项式级，Recifhe 通过分析跨密文操作的多项式冗余，消除重复计算。实验结果表明，相比于仅密文级优化，Recifhe 实现了 1.25 倍的加速。该工作为 FHE 编译器的优化提供了新视角，有助于降低隐私计算服务的部署成本。

该论文提出了一种名为 ReBound 的差分隐私决策支持框架，旨在解决交互式查询中隐私预算浪费的问题。传统的差分隐私机制将每个查询视为独立事件，不记忆历史结果，导致重复或相关查询消耗过多隐私预算。ReBound 通过引入缓存结果复用机制，允许新查询利用先前查询的缓存答案，从而在保持形式化效用保证（如假阴性率和假阳性率界限）的前提下，降低或免除额外隐私成本。框架包含三个核心组件：一是多种细化类型（如边界调整、阈值修改、函数派生）的复用框架；二是缓存图结构，用于高效查找可复用的历史结果；三是协商机制，当请求的界限无法在当前预算内满足时，提供替代方案。实验表明，ReBound 能显著减少隐私预算消耗，同时维持查询准确性。该研究适用于数据发布、联邦学习等需要交互式查询且关注隐私保护的场景。

本文提出并评估了一个隐私保护的推荐系统框架，旨在解决传统推荐系统依赖集中存储用户交互数据所带来的隐私与合规挑战（如GDPR、CCPA、CPRA）。该框架结合了联邦学习、差分隐私、群体级建模和隐私感知智能体：联邦学习保持原始用户数据分散在本地，差分隐私向模型更新引入数学上有界的噪声，群体级建模利用用户群体特征而非个体数据，隐私感知智能体负责协调隐私预算分配。实验在模拟客户点击流和购买行为的合成零售数据集上进行，评估了矩阵分解、神经协同过滤和GRU4Rec三种推荐模型在多个差分隐私预算（ε值）下的表现，度量包括点击率（CTR）、Precision@K、Recall@K和归一化折损累计增益（NDCG@K）。结果发现，在中等隐私预算（ε≈5）下，该框架能保持有竞争力的推荐质量，表明强隐私保护可以以有限的推荐效果损失实现。此外，还开发了交互式Streamlit仪表盘以可视化推荐性能、排序稳定性、隐私-效用权衡和公平性指标。本文为部署兼顾个性化、法规合规与商业目标的隐私保护推荐系统提供了实用框架，适合电商和零售平台的安全与隐私工程师、推荐系统研究人员阅读。

差分隐私图像合成旨在从敏感数据集中生成合成图像，缓解组织共享和使用合成图像时的隐私泄露问题。现有方法（如使用差分隐私随机梯度下降训练扩散模型）虽然取得进展，但性能仍不理想。受课程学习启发，本文提出一种两阶段差分隐私图像合成框架，让扩散模型从易到难地学习生成差分隐私图像。第一阶段为“简单阶段”，模型先学习敏感图像的简单特征；为此提出使用“中心图像”——即随机采样敏感数据集的聚合结果。这些中心图像虽不展示细节，但能体现所有图像的有用特征，且仅消耗极小的隐私预算，有助于模型早期训练。第二阶段再使用DP-SGD训练完整模型。实验在四个图像数据集上平均表明，合成图像的保真度和效用指标分别比当前最优方法提升33.1%和2.1%。论文提供了可复现的代码和数据集。

该论文提出 Hermes，一种新型混合可搜索加密（HSE）方案，旨在解决现有 HSE 设计中存在的安全漏洞（如字典攻击和注入攻击），同时保持低搜索复杂度和高用户效率。Hermes 支持多写者加密搜索功能，提供前向隐私和对字典攻击的抵抗力。为此，作者开发了新的身份基加密方案，具有隐藏身份和密钥聚合属性，这本身可能具有独立的研究价值。此外，论文设计了新颖的分区和 epoch 编码技术，以最小化搜索复杂度并降低维护前向隐私的用户开销。实验表明，在商用硬件上，Hermes 的搜索速度比现有最优 HSE 方案快一到两个数量级，同时提供更强的安全保证。该研究适合密码学、数据库安全及隐私保护领域的研究人员和开发者阅读。

本文提出了一种名为SafeEar的新型音频深度伪造检测框架，旨在解决现有检测方法因必须访问完整原始录音而泄露语音内容隐私的问题。随着文本转语音（TTS）和语音转换（VC）技术的进步，生成的逼真音频被恶意用于深度伪造，对社会和个人构成威胁。现有对策主要依赖完整音频来判断真伪，但在涉及商业秘密等敏感信息的场景中，内容暴露是不可接受的。SafeEar的核心创新在于设计了一种神经音频编解码器作为解耦模型，将音频样本中的语义信息（如语言内容）和声学信息（如韵律、音色）分离，检测器仅利用声学特征进行深度伪造识别，从而完全避免语义内容暴露。为了克服缺乏语义线索时识别各种深度伪造音频的挑战，该方法引入真实世界的编解码数据增强技术，提升检测器的泛化能力。在四个基准数据集上的广泛实验表明，SafeEar在检测多种深度伪造技术时取得了最低2.02%的等错误率（EER），同时保护了五种语言的语音内容：机器和人类听觉分析的字错误率（WER）均超过93.93%，用户研究也证实了隐私保护效果。此外，作者构建了用于反深度伪造和反内容恢复评估的基准，为未来音频隐私保护与深度伪造检测领域的研究提供了基础。本文适合对音频安全、隐私保护及深度伪造检测感兴趣的研究人员和工程师阅读。

本文提出了一种针对Paillier密码系统的高效零知识论证系统。Paillier加密是一种同态加密方案，广泛应用于隐私保护计算，如联邦学习和加密数据分析。然而，在实际应用中，需要证明密文满足某些性质（如范围证明、正确性证明等），而现有的零知识证明方案要么具有线性大小的证明和验证成本（专门为Paillier设计的方案），要么使用通用子线性论证系统（如zk-SNARK），但后者需要将关系转化为大布尔电路或素数阶域上的算术电路，导致证明生成成本过高。本文的核心创新在于定义了一个基于合数模剩余类环上的约束系统，并提出了针对该系统中二进制值证明的新技术。然后，作者改编了Bootle等人（EUROCRYPT 2016）的方法，将该约束系统编译为子线性论证系统。该约束系统是通用的，可以表达Paillier密码中的典型关系，包括范围证明、正确性证明、多个密文间明文关系等。更重要的是，该系统支持批量证明生成和验证，当Paillier密文数量达到数百个时，其摊销成本优于现有专有方案。实验评估了多个场景：在打包场景中，将25.6K比特打包到400个密文中，证明这些密文正确计算的证明大小比朴素实现（使用25.6K个OR证明而不打包）小17倍，验证速度快3倍，并且可以几乎无成本地证明附加语句（如子集比特和小于阈值）。在范围证明场景中，证明200个密文的每个明文为256比特，证明大小比现有最优方案小10倍。结果表明，该方案在渐近效率上优于现有协议，特别适用于涉及大量（超过100个）Paillier密文的数据分析应用。本文适合密码学研究人员、隐私保护计算开发者和安全从业者阅读。

联邦学习（FL）允许多个客户端协作训练机器学习模型，同时保留数据本地性，从而增强用户隐私。然而，传统的FL框架依赖中心化聚合服务器，并假设客户端是诚实但好奇的，这使其易受服务器端推理和客户端投毒攻击。先前的工作虽然探索了安全且拜占庭鲁棒的FL协议，但它们在隐私、完整性和可验证性之间存在根本性权衡，并且由于大量使用密码学原语而产生了巨大的计算和通信开销。本文提出PRoVeFL——一个新颖的模块化FL框架，兼具隐私保护、拜占庭鲁棒性和可验证聚合。PRoVeFL利用多服务器架构和多方全同态加密：每个客户端加密其本地模型更新并将加密份额分发给所有服务器。这种设计实现了混合计算模型，在严格隐私约束下将密文操作巧妙地卸载到明文域，以高效评估复杂的统计聚合规则。PRoVeFL兼容多种最先进的拜占庭鲁棒聚合算法（如Krum、Trimmed Mean、FLTrust、范数裁剪、MESAS等），并通过可验证性机制进一步增强它们，该机制仅需信任至少一个诚实服务器。我们在不同设置下进行了评估，证明了其在参数数量和参与者数量变化时的可扩展性。与先前基于分布式信任且具有可比安全性的工作Prio和ELSA相比，PRoVeFL的运行时分别提高了最多100倍和10倍。

该论文提出SecureCROWN，首个用于隐私保护神经网络鲁棒性验证的框架。神经网络验证与数据隐私存在固有矛盾：验证需要完全访问模型参数和输入数据，但这受到隐私法规和知识产权限制。SecureCROWN基于安全两方计算（2PC），使模型所有者和数据所有者能够共同计算认证的鲁棒性边界，在只揭示最终结果的同时，在半诚实安全模型下可证明地保护双方隐私数据。关键挑战在于安全计算线性边界传播中的条件操作，因为数据相关的分支与标准安全计算协议不兼容。作者通过将条件逻辑公式化为连续算术运算来消除分支，并引入牛顿-拉夫森改进方法以提高数值稳定性。广泛分析和实验表明，SecureCROWN严格匹配明文验证结果，在不同模型大小和通信设置（局域网/广域网）下完成时间在0.1-200秒之间，证明了隐私保护神经网络验证的可行性。

论文《Efficient and Secure Range Counting over Distributed Geographic Data with Query Range Protection》解决了分布式地理数据中范围计数查询的隐私保护问题。现有方案要么泄露查询范围，要么因使用昂贵的安全比较操作导致效率低下，且大多假设数据不重叠，导致重叠场景下误差巨大。本文提出PPRC协议，同时满足隐私、效率和准确性要求。主要技术贡献包括：1）私有范围谓词（PRP）技术，将范围评估转化为加密成员测试，用高效的安全乘法替代昂贵的比较操作，从而保护查询范围；2）遗忘线性计数（OLC）聚合方案，仅使用轻量级密码操作安全聚合重叠数据组织的部分结果，不泄露最终计数以外的任何信息。理论分析和实验表明，PPRC相比基线协议误差最多减少55倍，速度提升最多37倍。该工作适用于多机构间的地理数据联合分析场景，如灾害响应、人口统计等，为实际部署提供了可行性。

本文提出了一种模型无关的对抗抵抗分布式学习框架，旨在同时解决分布式机器学习中的隐私泄露和恶意操纵问题。传统方法通常分别处理这些威胁，且往往针对特定学习范式或模型架构，限制了实际部署的适用性。该框架结合了范式特定的防御机制与GPBACC（一种隐私增强的编码计算技术），可应用于任意机器学习模型。对于联邦学习，采用鲁棒聚合策略减轻恶意参与者的影响；对于去中心化学习，利用近似解码-比较和组测试技术实现轻量级验证和对手隔离，无需依赖可信聚合器。通过攻击驱动的显式分析，实现了代表性隐私攻击和恶意行为，实验表明GPBACC与鲁棒聚合及验证机制的组合显著降低了隐私泄露并提高了对主动对手的韧性。研究结果为安全分布式机器学习提供了实用且可部署的基础。适合分布式系统安全、隐私保护机器学习方向的研究人员阅读。

该论文提出了一种名为POSEIDON的隐私保护联邦神经网络学习系统。联邦学习允许多个参与方在不共享原始数据的情况下协作训练机器学习模型，但现有方案仍然面临隐私泄露风险，例如通过梯度推断或模型反演攻击。POSEIDON通过结合安全多方计算（MPC）、同态加密（HE）和差分隐私（DP）技术，实现了在计算效率与隐私保护之间的良好平衡。具体而言，系统将神经网络训练中的线性层（如全连接层和卷积层）通过秘密共享和安全乘法协议在多方间安全计算；非线性层（如ReLU激活函数）则利用混淆电路或秘密共享中的比较协议实现。同时，系统引入差分隐私机制，在梯度聚合阶段添加噪声，防止模型更新泄露个体数据信息。实验证明，POSEIDON在标准数据集（如MNIST、CIFAR-10）上能够达到接近明文训练的模型精度，且通信开销和计算时间在可接受范围内。该研究的核心贡献是提供了一个完整的、可证明安全的联邦学习框架，能够在半诚实和恶意敌手模型下保护数据隐私，适用于医疗、金融等敏感数据场景。

本文提出了一种名为 Bit-ViP 的基于位平面的图像混淆方案，旨在保护图像中的视觉隐私，同时保持足够的可用性以支持基于图像的识别任务。研究背景是计算机视觉应用（如监控系统和社交媒体）的快速增长引发了安全和隐私担忧，尤其在云端存储数据时。现有混淆方案要么易受恶意攻击（如模型反转攻击可重构原始图像），要么生成不可训练的混淆图像，导致无法达到合理的识别精度。Bit-ViP 通过创新的端到端混淆函数，结合洛伦兹混沌系统和差分隐私生成非可逆噪声，使攻击者难以从混淆图像中重构原始图像。该方案在 UCF101 和 HMDB51 两个主流行为识别数据集上进行了广泛实验，验证了其有效性。面对重构攻击、像素频率、信息熵和像素互相关等攻击手段，Bit-ViP 展现了优于现有方案的严格安全性分析。该方法适用于需要平衡隐私保护与数据可用性的场景，如云端图像存储、监控视频隐私保护等。主要贡献包括：提出位平面混淆架构、融合混沌系统与差分隐私、以及实验验证其安全性与可用性。

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。

该论文提出了HomeRun协议，一种高效的无限制不经意消息检索（Oblivious Message Retrieval, OMR）方案。OMR允许用户在不解密服务器上加密消息的情况下，检索与自己相关的消息。现有OMR方案往往在效率或适用性上存在限制，例如要求用户预共享密钥或有限的消息轮次。HomeRun旨在消除这些限制，实现无限制的高效检索。论文通过引入新的密码学原语和优化协议设计，在保持强隐私保证的同时，显著降低了计算和通信开销。实验结果表明，HomeRun在多种网络环境下均优于现有方案，特别适用于大规模消息系统（如匿名通信、加密邮件等）的隐私保护需求。该研究来自普渡大学等机构，主要贡献包括形式化定义无限制OMR模型、提出高效率协议以及提供安全性证明。

本文提出了一种可验证且抗共谋的多方量子私有集合操作协议，重点解决阈值私有集合交集（TPSI）问题。传统的量子TPSI协议通常依赖第三方（TP）解释最终结果，偏离了TPSI的基数测试范式。作者提出了一种基于旋转量子构造的新协议，通过单光子序列的逐步处理，包括参与方数据旋转、TP-参与方掩码旋转和相关聚合旋转，生成隐藏标签测量向量。TP能够完成最终测量但无法解读结果的语义含义。基于这些隐藏测量，进一步通过不经意线性评估（OLE）的内积过程和轻量级混淆电路实现阈值决策，仅在条件满足时揭示交集大小是否达到阈值，然后有条件地重建交集。论文证明了协议的正确性和安全性，并在IBM Qiskit平台上通过量子电路仿真验证了可行性。该工作为量子安全多方计算提供了新的思路，尤其适用于需要隐私保护且抗共谋的场景。

该论文针对公平性度量中的人口统计信号（如种族/民族）因法律约束或文化敏感性而难以收集和使用的挑战，提出了一种隐私保护的种族/民族概率估计方法（PPRE）。PPRE结合了两种信号源：基于贝叶斯改进的姓氏地理编码估计器（BISG）和稀疏的自我报告调查数据，并利用安全两方计算、差分隐私和加法同态加密等隐私技术，使LinkedIn能够在不泄露个人敏感信息的前提下，对美国会员进行基于种族/民族的公平性度量。论文详细阐述了PPRE的隐私保证，并通过候选方和观众方的公平性度量案例展示了其应用。最后，作者提出了一个可迁移的框架，供其他机构构建类似的隐私保护度量基础设施。核心贡献在于为工业界提供了一套可操作的、在隐私约束下进行公平性测量的解决方案。

本文提出了一种轻量级协议来解决私有重击者问题。在该问题中，存在多个客户端和少量数据收集服务器，每个客户端持有私有比特串，服务器希望在不学习任何客户端具体字符串的情况下，恢复所有流行字符串的集合。例如，网页浏览器厂商可以使用该协议找出哪些主页是流行的，而无需获知任何用户的个人主页。协议还考虑了更简单的私有子集直方图问题，即服务器希望统计持有特定集合中字符串的客户端数量，同时不向客户端泄露该集合。协议采用两个数据收集服务器，每个客户端在协议运行中只需向服务器发送一条消息。协议保护客户端隐私，能够抵御一个服务器的任意异常行为，且不需要公钥密码学（除安全通道外）或通用多方计算。相反，协议依赖于增量分布式点函数这一新密码学工具，它允许客户端简洁地秘密共享一个指数级大二叉树上节点的标签，前提是该树只有一条非零路径。此外，论文还开发了新的通用工具，为分布式点函数的应用提供恶意安全。协议的一个局限性是，它向服务器泄露的信息略多于流行字符串集合本身。论文精确定义并量化了这种泄露，并说明了如何减轻其影响。在实验评估中，两个分别位于美国东西海岸的服务器，能够在54分钟内从40万个客户端持有的256位字符串中找到前200个流行字符串。协议具有高度可并行性，估计使用每个逻辑服务器20台物理机器，协议可以在略超过一小时的运算时间内处理超过1000万个客户端的重击者计算。

端到端加密消息系统依赖于真实的公钥分发来防止中间人（MitM）攻击。当前解决方案存在明显权衡：带外（OOB）验证提供强安全性但缺乏大规模联系人列表的可扩展性，而密钥透明度（KT）系统虽能实现自动验证，但存储成本和操作复杂性高。本文提出 DKVE，一种通过用户社交图中隐私保护交叉验证来验证公钥的协议。当从密钥服务器获取联系人公钥时，客户端查询共同联系人以确认他们持有相同的密钥，结合不经意伪随机函数（OPRF）和不经意键值存储（OKVS）来保护查询和联系人列表的隐私。DKVE 采用序贯概率比检验（SPRT）聚合响应，并以用户可配置的错误界检测服务器不当行为。通过在真实社交网络数据集上的模拟评估，DKVE 在强到中等连接的网络中能够以超过 97% 的概率检测 MitM 攻击，剩余 3% 的情况需通过 KT 或 OOB 验证等替代方法处理。概念验证实现证明其在商用硬件上作为后台操作可行，延迟和带宽可接受。DKVE 可将 KT 查询频率降低两个数量级，从而支持架构转变：KT 目录可从快速但空间效率低的 Merkle 树迁移到空间高效的 RSA 累加器。尽管 DKVE 存在引导问题以及在弱连接网络中性能下降，无法完全替代现有方法，但它提供了一种实用的互补密钥验证机制，使安全消息系统更易于部署在数十亿用户规模上。

本文研究了一种混合隐私保护的语义搜索方案，旨在解决稠密向量嵌入在向量数据库泄露时面临的嵌入-反演攻击（即从向量重构原始文本）问题。传统的防御手段存在两个极端：完全同态加密虽然安全性强，但在百万级文档规模下延迟过高；而添加隐私噪声会在保护效果显现之前就严重破坏排序质量。本文提出一种利用静态集合与动态查询之间不对称性的中间路线：集合端采用几何保护，每个向量通过SVD截断到低维子空间，并经过只有集合所有者知道的秘密正交变换旋转；查询端采用密码学保护，使用CKKS同态加密对查询进行重排序，使得诚实且好奇的服务器无法看到查询或分数。CKKS参数通过离线小规模基准测试确定。理论方面，论文证明了任何局限于所保护子空间的攻击者的重构误差下界。实验在百万文档和五种编码器上进行，方案在亚秒级延迟下保持了排序质量（对于强编码器甚至略有提升，起到了线性降噪器的作用），并且现成的反演攻击在保护空间内退化为噪声水平。进一步，论文测试了更强的攻击者：已知明文攻击者可以通过正交Procrustes方法从约等于保留维度的泄露对中恢复旋转；公开的乘积量化码保留了大部最近邻结构；随机投影、校准噪声和BEIR基线表明，截断是一个依赖于编码器的精度代价，而非免费的降噪器。最后，论文明确了限制：查询机密性由密码学保证，但文档保护是经验性的混淆层（SVD截断加秘密旋转），而非密码学原语，并对每项主张划定了威胁模型边界。

本文提出了一种联邦哈希投影潜在因子学习模型（FHPLF），旨在解决传统哈希学习（HL）需要集中存储用户数据引发的隐私问题，以及联邦学习（FL）中传输实值梯度导致的高通信开销和隐私风险。FHPLF 通过三个关键创新实现隐私保护与性能平衡：1）用二值梯度类矩阵替代实值梯度矩阵，显著降低计算、存储和通信成本，同时增强隐私保护；2）采用投影汉明距离进行相似度建模，捕捉每个二进制位的权重，提升二进制编码的表示能力；3）提出安全二值梯度重组与隐私增强上传策略（SBG-PEU），进一步降低传输过程中用户交互泄漏的风险。在四个真实数据集上的实验表明，FHPLF 在准确率、效率和隐私保护之间取得了优于现有哈希学习和联邦学习方法的平衡。

本文提出了一种名为 TL++ 的双模式遍历学习框架，旨在解决分布式智能系统在数据孤岛下训练时的准确性与隐私保护问题。传统的联邦学习虽然保持数据本地化，但在异构分区下性能下降且需要反复交换完整模型；拆分学习通过切割层激活值减少通信，但通常无法恢复集中式小批量梯度行为，且可能以明文暴露激活值和梯度。TL++ 包含两种模式：基础模式仅交换切割层激活值和梯度而非完整模型，显著降低通信开销；安全模式通过秘密共享将每个切割层激活值和梯度在编排器与非共谋辅助服务器之间分割，防止任一服务器观察到明文切割层张量，但此保护限于半诚实两服务器设置，且标签和损失相关输出对编排器可见。在轻量级安全路径中，线性或仿射服务器路径可实现精确性，非线性操作需借助非线性 MPC 或近似。论文在 CIFAR-10 和 BioGPT/PubMedQA 数据集上使用全微调和 LoRA 方法评估，与联邦学习和拆分学习基线对比。结果表明，TL++ 基础模式切割层1和精确安全模式切割层3在 CIFAR-10 上分别达到 91.41% 和 90.93% 的准确率，超过最强非 TL++ 基线 12 个百分点以上；基础模式每步通信量相比完整模型同步减少 13.1 倍。PubMedQA 结果同样支持 TL++ 优势。总体而言，TL++ 接近集中式训练性能，同时减少通信并提供激活层秘密共享的隐私保护。

本文针对安全两方Transformer推理中的密钥切换（key-switching）开销问题展开研究。在现有的隐私保护方案中，线性层通常通过全同态加密（FHE）进行明文-密文或密文-密文矩阵乘法计算，而密钥切换操作主要发生在这些乘法中，并成为计算开销的主要来源。现有优化方法大多依赖于特定的打包（packing）算法，限制了其通用性。本文从独立于打包策略的角度出发，提出了一种预处理辅助的安全注意力计算方法。通过将注意力计算分解为可预计算的操作和在线交互，该方法在不修改现有打包策略的前提下，减少了在线推理阶段的密钥切换次数。然而，将密钥切换转移到离线阶段会引入额外的存储需求。为此，作者提出了存储-通信权衡技术，通过适度的在线通信替代大量预计算密文，从而在不同资源约束下实现灵活部署。针对混合方案和基于FHE的方案中仍存在的离线阶段和后续FHE层中的密文-密文矩阵乘法，作者进一步提出了融合密钥切换技术，专门针对RNS-CKKS矩阵乘法方案中频繁出现的“乘法后接旋转”模式。该技术通过将重线性化（relinearization）和旋转合并为单一过程，降低了相关计算成本。分析评估表明，所提技术能够显著减少在线密钥切换开销，并在不改变现有打包策略的前提下，提供灵活的存储-通信权衡。

本文提出了一种名为“赞助群签名”（SPGS）的新型数字签名方案，旨在解决智能环境中隐私保护访客访问的灵活性与问责问题。传统群签名允许群成员匿名代表群组签名，但成员加入必须由群管理员授权，缺乏灵活性。SPGS引入了两级成员结构：一级成员可以“赞助”二级成员加入群组，无需中心管理员介入。为维持问责性，赞助者的签名可被追溯，且赞助成员与赞助者身份绑定；同时，赞助成员的签名具有可链接性，便于赞助者识别不当行为。作者对SPGS进行了形式化定义，并基于动态群签名、承诺方案和知识完备的非交互零知识证明（NIZK）给出了通用构造，证明了其安全性。此外，论文还提供了具体实例化，并提出了匿名访客访问令牌（AGAT）方案，将SPGS与IND-CPA安全的公钥加密结合，实现临时访客对智能建筑资源的匿名访问。实验评估基于现有方案实例化，展示了效率可行性。该研究为需要灵活成员加入和隐私保护的分布式系统提供了新的密码学工具。

本文研究了在全同态加密（FHE）框架下实现隐私保护的计算机视觉推理任务。由于法律限制（如医疗或财务数据），组织无法直接向第三方云ML服务共享敏感数据，这阻碍了云ML服务的应用。作者利用全同态加密技术，允许在加密数据上直接进行加法和乘法运算，从而在不暴露原始数据的情况下执行推理。作者修改了传统卷积神经网络（CNN）的结构，使其与加密方案兼容，并使用Microsoft SEAL库实现同态加密。实验在多个数据集上进行，包括MNIST、Kuzushiji MNIST、Fashion-MNIST和CIFAR-10。结果表明，加密CNN的分类精度与未加密基线相比仅有极小下降，同时推理性能损失较低。此外，作者还在TenSEAL库基础上增加了对复杂操作的支持，如处理彩色图像（多通道输入）、应用多个卷积层和实现平均池化。主要贡献包括：验证了FHE在CNN分类中的可行性，扩展了加密CNN对复杂数据集和操作的支持，并提供了与基线精度相当的实验结果。适合对隐私保护机器学习、同态加密应用和计算机视觉交叉领域感兴趣的研究人员阅读。

全同态加密（FHE）允许在加密数据上直接执行计算，同时保护数据机密性，但其实际应用受到高计算成本和开发复杂性的限制。本文提出 ComputeFHE，一个基于 TFHE 密码系统的开源 C++ 库，旨在简化隐私保护应用的开发。该库提供加密整数和定点数据类型，以及算术、逻辑、比较、条件和数组隐式访问操作，使开发者能够使用熟悉的命令式编程范式实现算法。ComputeFHE 支持两种算术后端：传统的基于双输入逻辑门的 TFHE 算术，以及利用 FHE 友好逻辑原语的优化算术逻辑单元（ALU）架构。实验结果表明，对于选定操作，所需的引导操作数量显著减少，性能提升高达 3.9 倍。此外，该库包含模拟模式，可在不进行实际密码计算的情况下进行测试、调试和复杂度分析，同时提供电路复杂度和引导成本。ComputeFHE 建立在 OpenFHE 之上，为开发和评估隐私保护算法与应用提供了一个实用且易于访问的框架。

本文针对联邦学习场景中数据去重面临的隐私和可扩展性挑战，提出了一种高效隐私保护的多方去重协议 EP-MPD。在联邦学习中，不同客户端的数据可能存在重复样本，去除这些重复能提升模型性能并节省训练时间与能耗。然而，传统去重需要聚合各方数据，会泄露隐私。EP-MPD 基于两个新颖的私有集合交集（PSI）协议变体构建，采用模块化设计，能够在多个客户端数据集上安全高效地移除重复数据，而无需暴露原始数据。实验表明，在大型语言模型的联邦训练中，当重复率在 10%-30% 时，应用 EP-MPD 可使困惑度（perplexity）最多降低 19.62%，运行时间最多减少 27.95%。该协议在隐私和性能之间取得了良好平衡，适用于大规模联邦学习应用。本文的主要贡献包括：首次针对联邦学习提出隐私保护去重协议，设计两种高效的 PSI 变体，并通过实验验证了去重对联邦 LLM 训练的显著收益。适合隐私保护机器学习、联邦学习及大模型训练领域的研究者和工程师阅读。

本文针对结构化对等网络（如Chord）中查询隐私泄露问题，提出了一种名为IRIS的隐私保护方案。在传统Chord网络中，用户通过向中间节点逐跳询问来定位数据，每个节点会返回离目标地址最近的已知节点，直到找到负责该数据的节点。这一过程中间节点会获知所查询数据的地址，导致查询隐私泄露，使得Chord不适用于需要查询隐私的应用。IRIS方案在不修改现有Chord协议的前提下，实现了隐私保护的查询执行。其核心思想是让查询节点在每一跳中不直接暴露目标地址，而是通过动态选择多个候选节点并混淆真实目标，从而隐藏查询意图。为了准确刻画迭代搜索过程中隐私泄露的程度，作者受k-匿名性启发，提出了一种新的隐私概念——(θ, δ)-privacy。该定义允许形式化地量化对抗者在合谋并利用所有迭代中泄露的总信息量时的隐私保证。作者基于该隐私概念对IRIS算法进行了安全分析，证明其满足(θ, δ)-privacy。此外，他们用Matlab实现了原型系统并进行性能评估，结果表明IRIS引入了适度的性能开销，且开销可调，与所需隐私级别成正比：当不需要隐私时，开销为零。该工作为在保持与现有Chord兼容的前提下增强查询隐私提供了新思路，适用于对隐私敏感的对等网络应用场景。

在联邦学习（FL）中，隐私保护训练面临计算开销与安全性之间的权衡。现有全加密方案（如同态加密）虽能保护数据，但计算成本过高，难以部署。本文提出HADES框架，一种选择性特征加密与混合模型融合的隐私保护联邦学习方法。核心思想是：并非加密所有数据，而是通过主成分分析（PCA）识别出对隐私最敏感的特征子集，仅对这些特征进行多方同态加密（MHE），其余特征和对应模型部分保持明文。HADES包含两个并行的训练管道：加密管道处理敏感特征，明文管道处理非敏感特征，最后通过融合机制将两个管道输出的表示无缝整合，实现端到端训练。此外，作者提出一种通用打包方案，考虑整个神经网络架构，消除冗余旋转操作，提升计算效率。实验表明，HADES在保持与普通FL相同准确率的同时，显著降低了重建攻击的成功率，并优化了运行时间。该工作适合对联邦学习隐私保护、同态加密优化感兴趣的研究人员和工程师阅读，尤其适用于医疗、金融等特征高度敏感的场景。

该论文提出了一种名为PentaGOD的五方图异常检测方法，旨在超越传统的图异常检测（GOD）范式。研究背景中，现有图异常检测方法通常仅依赖单一视角或少数几方数据，难以应对复杂场景下的协作需求。本文通过引入五方协作机制，设计了一种新的图异常检测框架，可能涉及分布式计算、隐私保护或联邦学习等特性。由于仅提供标题和作者，缺乏具体摘要内容，无法详细描述技术细节和实验验证。该方法理论上适用于需要多方数据共享且保护隐私的异常检测场景，如金融欺诈检测、网络安全威胁分析等。论文适合对图学习、多方安全计算及异常检测领域的研究者和工程师阅读。但受限于信息，确切贡献仍需阅读原文确认。

该论文研究了社交媒体平台中恶意内容检测的隐私保护问题。现有方法通常将用户内容与服务器端的恶意内容数据库进行相似性比对，但这会严重侵犯用户隐私（服务器可获知用户完整内容）。作者提出一种新颖的客户端检测范式：仅在用户本地触发时通知用户自身，避免向服务器泄露原始数据。为此，他们形式化定义了基于相似性的桶划分（SBB）概念：客户端向数据库服务器透露少量信息，服务器据此生成一个候选桶（即可能匹配的项），桶大小足够小，从而可以高效应用隐私保护的相似性协议。为量化泄露信息的隐私风险，作者构建了一个框架，度量攻击者正确推断客户端输入某个谓词的置信度。针对图像内容，他们实现了实用的SBB协议，并使用真实社交媒体数据评估其客户端隐私保障。最后，将SBB与多种相似性协议结合，实验表明，在大规模数据库上，结合SBB后性能提升至少29倍，同时匹配正确率保持在95%以上。

该论文针对车载网络中数据共享的隐私和可扩展性问题，提出了一种基于博弈论的新型框架。框架采用混合架构，由提供传感器数据的车辆、通过安全多方计算独立处理数据的服务器、管理数据流的协调节点以及设定经济激励的数据消费者组成。核心创新在于结合Stackelberg竞争博弈论原理，动态平衡隐私保护与经济激励，使车辆能根据感知的隐私风险和经济回报做出参与决策。框架确保只有数据消费者能访问完全聚合的数据，防止原始数据泄露。作者使用真实车载位置数据进行实证验证，通过评估对手仅用部分共享数据重构车辆路径的精度来量化隐私风险。论文还详细描述了在该框架内开发的数据交易平台，构建了一个实用且保护隐私的车辆数据共享市场。实验和模拟评估了系统保护隐私的有效性，并探讨了影响车辆参与度的动态因素。研究结果证明了该框架在保护隐私的同时支持活跃数据市场的鲁棒性。适合车载网络、隐私保护和经济激励设计领域的研究者阅读。

本文重新审视了混合私有信息检索（Hybrid PIR）协议。私有信息检索允许客户端从多个服务器持有的公共数据库中检索条目，同时不向服务器泄露任何关于所请求数据的信息。传统上，PIR分为两类：多服务器PIR（客户端将查询分割到k≥2个非合谋服务器）和单服务器PIR（仅有一个服务器持有数据库，查询基于计算困难假设保护）。混合PIR旨在结合两类方案的优点，例如利用多服务器协议的低计算开销和单服务器协议的低通信开销。本文可能对现有混合PIR方案进行系统性回顾，分析其安全性、效率权衡，并提出改进或新的混合构造方法。实验部分可能通过理论分析或模拟评估性能。该研究对隐私保护数据库查询、安全多方计算等领域具有理论意义。

本文提出Kangaroo，一种针对广域网（WAN）环境下大规模决策树推断的隐私保护与摊销推理框架。随着机器学习即服务（MLaaS）的普及，客户端希望利用云服务器上的决策树模型进行推断，但同时需要保护输入数据和模型参数的隐私。现有方案（如安全多方计算或同态加密）在WAN中面临高延迟和计算开销，难以扩展到大模型。Kangaroo通过设计一种摊销式推理协议，将多个查询组合成批量处理，利用预计算和离线阶段降低在线阶段的开销。其核心贡献包括：1）基于不经意传输（OT）和秘密分享的混合协议，实现线性复杂度的决策树评估；2）网络感知的批处理机制，适配WAN的带宽和延迟特征；3）支持树深达20层、包含数万节点的大规模决策树。实验表明，Kangaroo在WAN环境下比现有方案快10-100倍，通信量降低一个数量级。该工作主要面向隐私保护机器学习、安全推理协议设计领域的研究者。

G-Lox 是一种面向桥分发系统的隐私增强方案，旨在解决现有系统（如 Lox）在支持自适应组级分配时面临的隐私泄露问题。传统桥分发系统中，分发器需要根据用户组（如按网络条件或受审查程度划分）动态调整桥分配策略，但这一过程可能暴露组标识或分配规则。G-Lox 引入基于两方计算的隐私墙，将自适应逻辑分散在两台非共谋服务器上，使得任何单一方均无法获知组标识或组到桥的映射。具体而言，G-Lox 利用两方分布式点函数（DPF）和函数秘密共享（FSS）协议实现私有状态访问，支持阻塞报告、传输感知重分配以及隐私保护的组分裂操作。系统设计确保状态更新和查询均以两方计算形式执行，从而隐藏单个服务器的输入和中间结果。实验方面，作者基于 C++ 和 EMP 库在真实 TCP 套接字上实现了原型，测量了不同状态规模下的通信和计算开销。结果显示，客户端开销极低：当状态大小为 2^16 时，每次迭代通信量仅数 KiB，在 M=1024 的配置下客户端发送 1968 字节、接收 1280 字节，迭代耗时约 0.25 秒。此外，针对组特异性阻塞和 Sybil 枚举攻击的仿真表明，与 Lox 和 rBridge 等基线系统相比，G-Lox 在保持广泛发行的同时显著提升了鲁棒性。本文贡献在于首次实现了兼具隐私保护与自适应性的桥分发机制，为受审查网络中的抗封锁分发提供了新思路。适合对隐私保护计算、匿名通信系统以及抗审查技术感兴趣的研究者和工程师阅读。

本文针对模糊私有集合交集（Fuzzy Private Set Intersection, FPSI）问题提出了新的协议。FPSI允许两方在不泄露各自集合元素的情况下，找出在某种距离度量下相近的元素对。此前的工作要么在阈值δ上呈线性复杂度，要么仅支持L∞距离，或者依赖昂贵的加法同态加密（AHE）来实现一般Lp距离的对数复杂度。本文首次在不使用AHE的前提下，实现了对于一般Lp距离（p∈[1,∞]）的严格对数复杂度（即O(log δ)），这在理论上达到了最优的阈值缩放（因为区分区间长度为O(δ)的值至少需要Ω(log δ)比特信息）。核心方法是将模糊匹配转化为前缀表示，并通过等式条件交互式地确定正确的前缀。作者设计了一系列仅需不经意传输（OT）和对称密钥原语即可高效实现的新组件。基于这些组件，分别提出了适用于低维和高维场景的两种协议（基于“apart”和“separate”假设）。实验表明，与现有最先进的支持一般Lp距离的FPSI协议相比，运行时间加速最高达43.7倍，通信开销降低最高达31.3倍。该工作为隐私保护下的近似集合匹配提供了高效的理论与实用方案。

该论文提出了一种基于远程数据科学（RDS）的隐私保护机器学习（PPML）框架，用于跨机构学生保留率预测。研究利用PySyft平台，设计了一个半气隙架构，包括高侧和低侧服务器，使得来自三所大学的研究人员能够在敏感学生数据上构建预测模型，而无需直接访问原始数据。实验使用一所小型私立大学的历史数据（N=720），评估了三种合成数据生成方法，并提出了一种名为“数据类型感知模板”（Data-Type-Aware Templates）的新型合成数据方法，该方法优先考虑隐私而非分布保真度。通过跨机构协作验证，该框架在不同机构间保持一致的分类性能（Macro F1: 0.690-0.695），同时严格遵守美国《家庭教育权利和隐私法案》（FERPA）。研究表明，基于RDS的PPML在教育场景中技术上可行，并且是小规模跨机构合作中联邦学习的一种实用替代方案。论文代码已开源。

该论文聚焦于协作边缘-云推理场景中的隐私泄露问题。资源受限的设备通过将部分计算卸载到云服务器来利用大型语言模型（LLM），但中间激活值在传输过程中容易受到提示反转攻击，即攻击者从共享表示中重构原始用户输入。现有防御方法多依赖启发式扰动或经验调优，缺乏对隐私泄漏及其与效用、延迟约束之间相互作用的理论理解。作者提出了一种基于信息论的防御框架，通过学习隐私保护表示，明确最小化中间激活值与输入提示之间的互信息，同时维持计算约束下的任务效用。论文推导了提示重构误差的理论保证，刻画了隐私-效用的基本权衡，并建立了下游推理的token级准确率界限。进一步提出基于低维信息瓶颈的隐私适配器实现防御方法。在多种设置下的广泛实验表明，该方法在隐私-效用-延迟权衡上优于现有防御（攻击成功率降低最高35%），为私有高效的协作LLM推理提供了理论基础。适合对LLM隐私保护、边缘计算安全感兴趣的研究人员阅读。

该论文提出并评估了一个端到端的联邦学习系统，用于在边缘设备上进行无监督的12导联心电图异常检测。系统结合了三种自编码器架构（VanillaAE、ConvAE、VAE），基于Flower框架实现跨十个模拟医院的联邦平均聚合，并集成客户端差分隐私（DP-SGD，使用Rényi-DP会计）和8位整数量化后训练压缩（在树莓派4上测试）。实验使用PTB-XL数据集，表明联邦学习在所有架构上达到或超过集中式基准（ConvAE的ROC-AUC为0.782），隐私预算ε=4被推荐为临床操作点。INT8量化使模型大小减半，树莓派延迟降低44%，且AUC损失小于0.12%。关键发现是差分隐私和量化惩罚可经验独立叠加，因此实践者无需在强隐私保证和小型边缘部署之间权衡。该工作是首个结合联邦学习、形式化(ε,δ)-差分隐私、无监督重建检测和量化AArch64部署的系统，为医疗物联网中的隐私合规实时监测提供了工程基准。

该论文提出了一种名为 PriME-Deal 的隐私保护双边数据交易协议，旨在解决现有基于属性的访问控制方案在数据交易中存在的策略泄露、计算开销大、依赖可信第三方等问题。PriME-Deal 是一个非交互式协议，能够在公共区块链上同时实现策略隐藏的双边匹配、高效的阈值访问控制和可审计的公平交换。核心方法包括：卖家将秘密令牌嵌入到基于伪随机掩码的 oblivious 键值存储中，该令牌受买家策略保护；买家通过标签探测在本地重构令牌，无需组合枚举，并通过零知识证明证明重构的正确性。公平交换通过链上抵押披露和加密审计机制实现，无需可信第三方。安全性在通用可组合框架下基于标准假设证明。实验表明，与最先进的阈值模糊 IB-ME 方案相比，卖家发布时间减少两个数量级（策略含 500 个属性时，8.76 秒 vs 690 秒）；在典型配置 (200,20,5) 下，买家令牌重构和证明生成需 8.9 秒，其中零知识证明仅需 0.6 秒且与参数规模无关；链上成本约 2860 万 gas，远低于以太坊区块限制。该协议是首个同时实现线性卖方开销、双边策略隐藏和可审计公平性的实用隐私保护数据交易方案。

该论文针对量子计算对现有金融加密体系构成的威胁，提出了一种后量子安全的联邦去中心化金融（DeFi）框架，旨在提升因信用记录不足而被传统银行排斥的个人的金融包容性。核心方法包括：多家银行将客户加密数据批量上传至虚拟服务器，采用基于格的全同态加密（FHE）实现端到端同态计算，确保数据在加密状态下完成融合分析；服务器融合本地数据驱动的概率评估、专家信念以及NASA-IBM Prithvi地理空间基础模型（GFM）生成的可验证证据（全部为密文形式）；利用区块链等去中心化技术保证证据的防篡改性和机构间数据交换的可审计问责。该框架以美国弗吉尼亚州农村借款人的农业贷款决策为测试场景，展示了在保护隐私的同时提升贷款覆盖率的潜力。论文的主要贡献在于首次将后量子密码学、联邦学习、FHE与地理空间AI模型系统性地整合到DeFi场景中，为应对量子威胁下的金融普惠问题提供了可扩展的架构方案。适合关注后量子安全、联邦学习、隐私计算及普惠金融的技术研究与安全架构师阅读。

信用风险预测是消费信贷行业的核心问题。传统上，金融机构使用借款人的人口统计、财务和信用历史数据（统称为传统数据）构建预测模型。近年研究表明，替代数据（如手机通信数据）能为贷方提供更全面准确的借款人信用评估，从而提升预测性能。然而，替代数据由独立于金融机构的外部实体持有，直接共享会侵犯消费者隐私，现有研究大多忽略此问题。为填补空白，本文定义了隐私保护的信用风险预测新问题，需同时满足三个实际约束：保护消费者隐私的隐私保护约束、在金融机构集中学习并存储模型的模型保密约束，以及维持模型性能的无损约束。为此，作者提出 PrivacyCredit，一种新颖的隐私保护机器学习方法，并从理论上证明其满足隐私保护、模型保密和无损特性。通过使用与替代数据关联的真实信贷数据集进行广泛实验，展示了安全整合替代数据于信用风险预测中的预测价值，并证明 PrivacyCredit 达到了与从传统数据与替代数据不安全明文组合中学习的模型相同的预测性能。文章还评估了其模型保密特性和计算效率。

本文提出了一种新颖的安全多方计算（MPC）平台框架，旨在解决密码学隐私保护技术（如全同态加密FHE和安全多方计算MPC）在实际部署中面临的可用性差、隐私保证不精确等挑战。作者首先形式化了安全计算平台（SCP）的概念，用于隐私保护的数据协作，并引入了一个模型来精确指定多方工作流的隐私保证。然后，他们描述了非密码学专家也能使用的一组密码原语抽象。论文通过两个演示工作流验证了所提方法的有效性，展示了在现实性能与隐私保证之间取得平衡的潜力。该工作为构建“干净数据室”提供了基础组件，特别适用于需要多方安全数据分析的场景（如金融、医疗等受监管行业）。

该论文研究了差分隐私中用于T维实数向量查询的加性噪声机制。高斯机制因其简单性和强隐私保证而成为最广泛使用的机制。本文首先证明，当维度T趋于无穷大时，在强隐私设置下，没有任何加性噪声机制能够渐近地改善高斯机制的隐私-效用权衡，从而为高斯机制的选择提供了理论依据。其次，本文提出了一类新的球面广义伽马差分隐私机制，该类机制包含高斯机制和近期研究的ℓ2机制。论文识别出该类机制中在低维场景下同时优于高斯和ℓ2机制的成员，并给出了该类机制所有成员的紧致组合性质，回答了Joseph等人关于ℓ2机制的开放问题。实验部分通过理论分析和数值模拟验证了所提机制的有效性。

本文针对隐私保护的个性化联邦学习（PFL）中应用CKKS同态加密方案时缺乏系统参数选择指导的问题，提出了pFedCKKS框架。该框架将CKKS集成到PFL中，并首次提供了参数选择的系统指南。研究指出，在128位安全级别下，CKKS参数约束可简化为选择两个关键值：内部密文素数和外部密文素数。通过使用Flower框架和TenSEAL库实现，并在FEMNIST、CelebA和Sentiment140数据集上，结合FedFinetune、Ditto和FedPer三种PFL算法进行评估。实验揭示了精度与计算/通信成本之间的经验权衡，从而为实际部署pFedCKKS时选择适当的CKKS参数以平衡效率和准确性提供了具体指导。该工作对于希望使用同态加密保护隐私的PFL实践者具有重要参考价值。

该论文关注深度神经网络（DNN）应用中图像数据的隐私保护问题。现有技术如差分隐私虽能提供强隐私保证，但无法有效保护图像的可视化特征。为此，作者提出一种新型隐私保护框架 VisualMixer，通过像素混洗（pixel shuffling）来保护视觉 DNN 任务的训练数据，且不引入任何噪声。框架引入了一种新的隐私度量指标——视觉特征熵（Visual Feature Entropy, VFE），该指标从生物视觉和机器视觉两个角度量化图像的可视化特征。VisualMixer 采用任务无关的图像混淆方法，根据期望的 VFE 值确定图像中需要像素混洗的区域及其大小，并在空间域和色度通道空间内进行像素混洗，从而在不注入噪声的情况下防止视觉特征被识别。实验表明，该方法在真实数据集上能够有效保护视觉隐私，平均仅导致 2.35 个百分点的模型精度损失，且几乎不降低训练性能。该方法适用于自动驾驶、医学图像分析等隐私敏感场景。

该论文提出了一种基于CKKS全同态加密（FHE）的端到端加密控制管道，用于解决多智能体云协调中的隐私与协作冲突。传统方法需要将智能体状态明文发送给中央服务器，存在隐私泄露风险。FHE理论上允许对密文直接计算，但算术约束苛刻，需重新设计控制环路的每个阶段。本文创新性地将感知、状态估计、状态传播和共识控制全部在CKKS加密域中实现，仅使用加法、乘法和循环旋转操作。为降低FHE计算开销，采用稳态卡尔曼增益替代在线矩阵求解，并通过对角方法应用图拉普拉斯算子，其代价正比于非零循环对角数，可统一处理环、环面和完全图拓扑。论文利用分离原理解耦控制器与观测器误差动力学，推导出周期性自举界，将CKKS自举视为脉冲扰动，从而得到稳态误差球，其大小由自举精度和闭环谱半径决定，为隐私-精度权衡提供了直接设计方程。在多智能体编队控制场景中验证了该管道，证明在加密条件下系统稳定跟踪误差有界，性能可行。

本文首次提出并研究了隐私保护的协作数据清理问题。在协作数据清理场景中，两方希望协调各自的数据集，以过滤掉错误分类或误分类的数据项。隐私保护版本的目标是：各方仅能了解自己数据中被误分类的项，而无法获知对方数据集的任何其他信息。私有数据清理本质上是私有集合交集（PSI）的一种变体，可以利用现有的电路PSI技术来私密地计算误分类。然而，作者针对私有数据清理的特殊性设计、分析并实现了三种新协议，性能优于基于电路PSI的方法。第一种协议利用一个小的额外泄漏（数据项交集差异隐私大小）来降低复杂度；另外两种协议将寻找数据分类不匹配的问题转化为寻找匹配，然后采用标准的不经意伪随机函数（OPRF）技术来计算PSI，根据数据类别的数量，相比电路PSI实现了具体的运行时改进。

本文研究了隐私保护协作数据清洗问题。在协作数据清洗中，两方希望调和各自的数据集，以过滤掉分类错误的数据项。隐私保护版本增加了安全目标：各方仅能了解自己分类错误的数据项，而不能获知对方数据集的其他信息。该问题本质上是隐私集合交集（PSI）的变体，理论上可采用电路PSI技术实现。然而，作者针对私有数据清洗的特性，设计、分析并实现了三种新协议，性能优于电路PSI。第一种协议利用少量附加泄漏（数据项交集差分隐私大小）来降低复杂度；另外两种协议将数据分类不匹配问题转化为匹配问题，然后采用标准的不经意伪随机函数（OPRF）技术计算PSI。实验表明，根据数据类别数量的不同，协议相比电路PSI有具体的运行时间提升。本文主要贡献在于提出了适合私有数据清洗的高效协议，并通过理论分析和实验验证了其优势。适合研究安全多方计算、隐私保护数据清洗的研究者阅读。

本文针对分布式因果结构学习中的隐私泄露问题，提出了一种基于全同态加密（FHE）的隐私保护方法。传统方法中，数据在传输和计算过程中可能暴露敏感信息，而FHE允许在密文上直接进行计算，从而保证数据全程加密。然而，将FHE应用于因果结构学习面临计算开销大、缺少除法和对数运算支持等挑战。为此，作者提出了一系列创新技术：首先，通过电路简化降低计算复杂度；其次，利用牛顿-拉夫逊倒数法和泰勒展开近似除法和对数运算；最后，采用SIMD加速的批处理技术提升整体效率。此外，该方法可扩展支持差分隐私，展示了其可移植性。实验结果表明，在多个测试数据集上，该方法与明文版本的因果结构学习结果具有高度一致性和可比性，且能在数十分钟内完成学习，兼顾了效率与隐私保护。

该论文研究了联邦学习在跨中心败血症早期预测中的应用。败血症早期预测需要多中心医疗数据，但数据隐私和分布式特性阻碍了集中式建模。联邦学习允许多个机构在不共享原始数据的情况下联合训练模型，但其实际性能、鲁棒性和隐私保护优势尚未在真实临床数据中得到充分评估。为此，作者从中国三家三级医院收集了648个临床筛选样本，并制定了严格的纳入排除标准。他们建立了集中式训练范式作为性能基线，然后实现了水平联邦学习框架进行分布式协同建模。大量实验表明，基于联邦学习的模型在预测准确性上与集中式模型高度接近，同时从根本上避免了隐私泄露。进一步的隐私安全分析验证了恶意攻击者无法从传输的模型参数中重建原始患者数据，表明其具有很强的抗数据重建攻击能力。这项工作不仅验证了联邦学习在临床败血症预测中的实用性和安全性，也为隐私保护的多中心医疗协作提供了可靠且可行的解决方案。

本文提出了一种基于全同态加密（FHE）的高分辨率图像隐私保护梯度计算方法。随着隐私保护需求日益增长，同态加密成为在加密数据上直接进行操作的核心技术。然而，现有工作多局限于低分辨率图像，高分辨率图像处理面临计算开销剧增的挑战。为此，作者提出了一种多密文隐私保护框架，适用于半诚实模型下的加密和计算。核心思路是将大尺寸图像分割为多个子图像，从而保持较小的FHE参数并减小密钥尺寸；通过并行处理子图像密文和引入新的自举放置策略，显著降低加密开销。在服务器端，利用重复打包技术优化大图像卷积运算，并实现了基于FHE的Sobel算子计算。针对Sobel算子梯度方向计算，提出了一种基于符号函数的倒数函数多项式逼近方法，该方法可推广至其他FHE协议。实验证明了方案在效率和精度上的有效性。

本文针对大型语言模型（LLM）在临床部署中因传输原始敏感健康信息而导致的隐私泄漏风险，提出了一个名为HERALD（Healthcare Encryption & Redaction via Adaptive Linguistic Decomposition）的令牌级加密改写框架。该框架在客户端运行，模型无关，无需修改下游模型。HERALD首先利用医学命名实体识别器（NER）和词性（POS）驱动的策略选择候选敏感令牌，然后对选中的令牌进行目标词形还原以稳定表面形式，最后用确定性密文包裹在显式分隔符内替换每个受保护令牌。这样，敏感内容在存储、传输和处理过程中始终保持加密状态，而上下文被保留以供下游模型使用。实验在公开数据集上针对分类和医学问答（MQA）任务进行，结果显示完全加密基线遭受显著的效用损失，而HERALD一致地将性能恢复至接近明文水平。HERALD提供了一种新颖的实用pipeline，在隐私保护与模型可用性之间取得了平衡。

该论文针对隐私保护推理中的嵌入查找问题，提出了一种基于全同态加密（FHE）的私有嵌入查找方法。在自然语言处理和推荐模型中，模型首先将离散的客户端输入映射为嵌入向量，而输入可能包含敏感信息，因此需要保护嵌入步骤的隐私。FHE允许对加密数据进行推理，但将嵌入查找从简单的表访问变为同态计算。为保持嵌入表在服务端且避免客户端传输加密的嵌入向量，该工作聚焦于服务端查找：客户端仅发送一个小的加密索引。先前的工作（ICML 2024）首先从加密索引构建一个独热向量，然后与嵌入表相乘，而独热向量的生成是主要计算开销。基于独热向量的方法在FHE中成本高昂：它对每个坐标进行等式测试来构建p维选择向量，需要O(p log p)次同态操作。该论文的关键观察是，私有嵌入查找只需要加密索引的线性无关表示，而非独热基向量。基于此，作者提出了独立向量估计（IVE）。IVE不构建独热向量，而是构造一个基于单个加密值的连续幂组成的线性无关向量，将向量生成成本降低到O(p)。然后通过预计算基变换恢复相同的嵌入向量，并使用正交离散余弦变换来减轻误差放大。实现表明，IVE相对于先前方法将摊销查找时间提高了最多78.4倍。进一步，论文评估了其在端到端加密FastText推理中的影响，其中嵌入查找是该浅层模型的主要成本。在Enron-Spam数据集上，用IVE替换独热生成后，向量生成在加密推理时间中的占比从99.6%降至66.3%。这项工作主要面向从事隐私保护机器学习和同态加密优化的研究人员。

本文提出了GALA（Greedy ComputAtion for Linear Algebra in Privacy-Preserved Neural Networks），旨在优化隐私保护神经网络中基于同态加密（HE）的线性计算效率。在现有的隐私保护机器学习服务（MLaaS）框架中，如GAZELLE、DELPHI和CrypTFlow2，HE线性计算占用了绝大部分计算时间，其中置换（Perm）操作是点积和卷积最耗时的部分。GALA通过以下两项创新减少置换操作：1）采用行优先权重矩阵编码，并结合GC非线性计算所需的共享生成，减少点积中的置换次数；2）设计先加法后置换的核分组方法，减少卷积中的置换操作。实验表明，GALA在不同数据维度下可将点积速度提升高达700倍，卷积计算速度提升14倍；集成到GAZELLE后，总体运行时间加速2.5至8.3倍。GALA可作为即插即用模块，显著提升现有隐私保护神经网络框架的效率。

本文提出一种隐私保护的智能监控框架，旨在解决传统集中式监控系统中证据管理权限过度集中、隐私泄露风险高的问题。该框架将事件检测与证据披露分离：使用轻量级MobileNetV2-based视频分类器实时检测暴力事件，检测到的片段立即加密，只有通过基于阈值的多方审批流程才能解密访问。解密密钥采用Shamir秘密共享拆分，成员份额使用公钥密码保护，投票过程结合限时令牌、双因素认证、数字签名和审计日志。实验部分在SCVD、RWF-2000和Real-Life Violence Situations三个数据集上，评估了MobileNetV2+LSTM、MobileNetV2+BiLSTM和MobileNetV2+temporal CNN三种模型，涵盖7种域内和跨数据集场景。最佳模型MobileNetV2+BiLSTM在合并保留集上达到93.5%测试准确率和0.980的ROC-AUC，但RWF-2000子集上的较低性能表明了数据集偏移的持续性。该工作适合关注隐私保护监控系统、分布式证据治理和轻量级暴力检测的研究人员和工程师。

本研究针对欧氏空间中差分隐私（DP）k-均值聚类问题展开。现有解决方案直接对原始数据进行加和，导致敏感度与数据域的大小成正比。本文提出PE-means方法，将私有进化（Private Evolution, PE）算法（一种在合成数据生成中日益流行的方法）扩展到k-均值聚类任务。PE方法的核心优势在于，它仅需计算一个具有恒定敏感度的私有直方图来指导进化过程。PE-means在PE的基础上引入了专门用于聚类的新进化算子，以及其他具有独立意义的算法改进。实验结果表明，与现有最优基线相比，PE-means平均降低了20%的聚类损失。该工作为差分隐私聚类提供了新的思路，尤其适用于数据隐私要求高且需要准确聚类结果的场景。

本文提出了一种基于多密钥同态加密（MK-HE）的隐私增强零阶联邦学习协议，适用于无线信道环境。传统联邦学习中的同态加密方法主要依赖单密钥方案，需要信道估计或预均衡来补偿无线衰落，且单密钥方案易受诚实但好奇的客户端攻击——一旦某个客户端密钥泄露，整个网络的安全性将受损。多密钥HE方案为每个设备分配独立密钥，提供更强的客户端级安全性。然而，多密钥HE在无线信道上的聚合面临挑战：不同用户的密文在信道上叠加会产生干扰。本文设计了一个四阶段协议，利用xMK-CKKS（一种知名的多密钥HE方案）在共享无线信道上实现无信道估计的聚合。协议通过重传部分公钥和密文利用相同信道实现，使得解密过程中占主导的大模数加密项代数相消。该协议与零阶联邦学习结合，适用于慢变视距主导信道，每个设备每轮仅传输一个加密标量，通信和加密开销与模型维度无关。理论证明，解码后的加密噪声将收敛率保持在O(1/√K)水平，直至可忽略的噪声基底。协议对诚实但好奇的服务器与最多N-1个客户端合谋的场景安全。MNIST数据集上的数值实验验证了理论分析。

随着移动计算技术的快速发展，来自智能手机、联网车辆和无人机等移动终端的海量空间数据不断产生。对这些数据进行高效的分布式统计分析对于实时移动计算应用至关重要。然而，移动环境的约束性和动态性加剧了隐私挑战：将敏感数据集中分析会带来严重的隐私泄露风险，而现有的隐私保护技术往往引入过高的开销或精度损失。本文设计、实现并评估了首个支持移动空间数据高效且隐私保护的分布统计系统。首先提出 eSpat-B，它利用两个非合谋服务器和新设计的改进分布式点函数（DPF）结合八叉树空间划分。进一步考虑空间数据的频繁更新，提出更高效的方案 eSpat+，核心思想是利用 K 维树进行空间划分，结合增量 DPF 进行统计分析，并设计高效的更新算法。安全分析表明，该方案在整个统计过程中有效保护数据隐私。在真实移动轨迹数据集上的理论分析和实验结果表明，所提方案计算开销降低约1.2倍，通信开销降低约20倍，同时保持100%的准确率。

该论文提出了一种名为FedRAG的高效且隐私保护的联邦检索增强生成（RAG）框架，旨在解决跨机构协作中严格隐私法规导致的“数据孤岛”问题。传统RAG通过外部知识增强大语言模型，跨机构集成需要分布式推理，但Transformer的自注意力机制要求跨节点访问分布式键值缓存，这与隐私保护需求存在根本冲突。现有加密方案（如同态加密、安全多方计算）会带来巨大的延迟和通信开销。FedRAG的核心创新是Scrambled Distributed Attention协议，该协议利用数值稳定的特征混淆（feature scrambling）和令牌排列（token permutation），通过将混淆后的计算动态委托给协作节点，在无需暴露明文数据的前提下解耦注意力执行与数据本地化。该方法不需要专门硬件或模型重训练，同时能稳健防御中间状态反转攻击。实验评估表明，FedRAG在保持模型效用损失小于0.1%的前提下，相比现有安全基线实现了高达62倍的延迟降低，足以支持实际跨机构知识协同的人类可读吞吐量。该框架适用于金融、医疗等对数据隐私要求严格的领域，使得多个机构可以安全地共享领域知识库以提升模型回答的准确性和时效性。

本文针对混合专家（MoE）大规模语言模型在部署中的安全审计问题，提出了一种非侵入式的审计框架RouteScan。现有的基于内容的审计方法需要访问用户提示、模型输入或生成输出，这可能导致敏感用户信息泄露，在LLM安全性与用户隐私之间产生根本性矛盾。作者观察到，MoE模型中稀疏的专家路由会将不同输入映射为不同的专家执行模式，从而在底层GPU执行遥测中留下可测量的足迹。基于此，RouteScan利用预填充阶段分配给专家模块的活跃GPU线程数作为微架构指纹，构建了一个轻量级的检测流水线，通过分离跨领域不变风险指标来精确识别恶意提示。在具有不同路由设计的开源MoE LLM上的综合评估表明，RouteScan在未见过的有害领域上AUROC超过0.93，在新型越狱包装下超过0.96，展现出强大的泛化能力。此外，经验性的逆向测试显示，收集的专家路由遥测对提示重建提供的信息有限，表明相对于基于内容的审计方法具有实际的隐私优势。

本文针对同态加密（HE）无法直接支持非线性激活函数（如ReLU）的问题，提出了一种基于核函数的ReLU近似方法，以支持隐私保护的深度学习模型，特别是大语言模型（LLM）。由于HE仅支持加法和乘法，非线性函数在加密域中无法直接计算，而ReLU在LLM中广泛使用，成为隐私保护NLP的主要障碍。作者利用Jackson定理，设计了一个光滑的核函数来近似ReLU，并通过二阶多项式拟合，实现了低乘法深度，从而兼容HE约束。该方法直接在预训练LLM的token嵌入上进行训练和评估，并在多种场景下测试：从模拟和分词数据到深度学习和Transformer模型。实验结果表明，该近似方法具有较高的保真度，适用于安全隐私保护的推理任务。本文为构建可部署的同态加密兼容LLM提供了关键步骤，适合对隐私保护机器学习、同态加密和NLP安全的从业者阅读。

本文提出 baseSPIDER 和 SPIDER 两种私有信息检索（PIR）方案，旨在解决传统 PIR 协议中存在的通信开销高、需要特殊服务器接口或多服务器协作等问题。baseSPIDER 采用单服务器架构，客户端具有状态，通过预处理和存储提示信息来优化后续查询，在通信复杂度上达到与现有最优方案相同的渐近下界，并在常数因子上有所改进，尤其适合大条目数据库。与以往协议相比，baseSPIDER 设计更简洁。SPIDER 则是基于 baseSPIDER 的简单变换，可直接运行在默认数据库接口上，无需服务器提供任何特殊 API、辅助状态或协议特定交互，仅依赖常规索引访问，从而彻底消除了部署障碍，可即时应用于现有系统。该变换方法还可推广到近期其他三种 PIR 方案，使其适应默认服务器范式，产生具有独立价值的新方案。与这些修改后的方案相比，SPIDER 设计更简单，但客户端计算开销更高。总体而言，SPIDER 和 baseSPIDER 在单服务器 PIR 领域提供了更实用的设计，有望降低隐私保护数据查询的实际部署门槛。

本文针对时间紧迫场景下的隐私保护分布式优化问题，提出了一种结合进化算法与安全多方计算（MPC）的方法。分布式优化中多个参与方协作寻找问题的最优解，但传统方法在添加隐私保护（如MPC）后会产生显著运行时开销，可能导致优化无法在截止时间前完成。本文的核心方法是将进化算法用于解空间的搜索，而将MPC用于对候选解的安全性评估，从而减少隐私计算对运行时间的影响，并确保能在截止时间前返回解。此外，通过对评估结果进行混淆处理，可进一步保护诚实但好奇的平台提供者的隐私输入，但这会在保护程度与解质量之间产生权衡。实验在单目标分配问题、旅行商问题（采用遗传算法）以及多目标分配问题（采用NSGA-II）上验证了所提方法的有效性。实验结果表明，该方法能够在保证隐私的同时，满足时间约束并得到可接受的解质量。该工作为时间敏感场景下的隐私保护分布式优化提供了新的思路，适合研究隐私计算与优化算法交叉领域的学者阅读。

本文针对瑞士政治过程中的电子签名收集（e-collecting）场景，提出了一种兼顾可验证性与参与隐私的安全协议。在瑞士，公民通过收集一定数量的签名可以发起政策变更甚至具有法律约束力的公投，其安全要求与电子投票类似。作者首先基于瑞士现有的电子投票法律与技术框架，推导出电子收集的现实设置，包括信任假设、参与者模型以及并发收集的并行性特征。在此基础上，设计了一个密码学协议，核心创新在于利用多个收集活动同时进行的客观事实，在不假设匿名信道的前提下依然能保障参与者的隐私：即任何人（包括收集组织者）都无法将某一签名与具体收集活动一一对应，从而防止针对参与者的群体指纹攻击。同时，协议支持公开可验证性，允许任何第三方验证签名收集结果是否正确、是否来自真正的公民，且公民可以确保证自己的签名被正确计入。文中给出了协议的详细构造、安全性定义以及基于现实参数的安全分析。实验部分（若有）未在摘要中提及，但理论上证明了协议满足隐私性、完整性及健壮性。该工作为瑞士乃至其他类似民主过程的电子化签名收集提供了首个现实可用的密码学方案，对电子投票、电子请愿等系统的设计与部署具有直接参考价值。

该论文研究隐私保护加密货币交易所（如屏蔽自动做市商、批量交换拍卖、密封订单流拍卖）中，做市商观察到被高斯噪声扰动的订单流时的市场微观结构均衡。作者在 Kyle（1985）连续拍卖模型的基础上，引入一个承诺型贝叶斯做市商，其观察到的订单流被独立同分布的高斯隐私噪声扰动。推导出唯一的线性均衡：价格影响系数和知情交易者策略均按隐私参数的单一因子重新缩放，且两者的乘积保持不变。福利分解进一步识别出每期从协议流动性池向交易者的转移——即“隐私补贴”（privacy subsidy），它是任何隐私聚合交易所必须收取的盈亏平衡费用。该结果类似于 Loss-Versus-Rebalancing（Milionis et al. 2022）在单期闭式隐私噪声下的类比。主要应用是通过显式加噪注入（如差分隐私）的屏蔽自动做市商；相关设计（批量交换、密封投标、预言机锚定交叉）需要单独的框架，留待未来工作。该论文为隐私保护 DEX 的经济设计提供了理论基础。

该论文提出 MetaMoE，一个隐私保护的混合专家（MoE）模型统一框架。在现实场景中，训练数据通常分布在多个客户端且无法共享，导致无法直接训练统一的 MoE 模型。MetaMoE 利用公开的代理数据作为私有数据的替代，通过多样性感知的代理选择方法，从公开数据中挑选与各客户端领域相关且多样化的样本，以有效逼近私有数据分布并监督路由器的学习。这些代理还用于对齐专家训练，改善统一时的专家协调，同时上下文感知的路由器增强了跨异构输入的专家选择。在计算机视觉和自然语言处理基准上的实验表明，MetaMoE 持续优于现有的隐私保护 MoE 统一方法。该工作为隐私约束下的 MoE 模型训练提供了新思路，适用于联邦学习、分布式专家系统等场景。

本文提出了一种名为 DisAgg 的新型安全聚合协议，用于联邦学习中的隐私保护。在传统联邦学习中，客户端更新直接暴露给中央服务器，存在隐私风险。现有的安全聚合方案虽然能抵御诚实但好奇的服务器，但通常存在通信轮数多、公钥操作重、难以处理客户端掉线等问题。最近提出的单轮私有聚合（OPA）虽然减少了通信轮数，但引入了大量的密码学和计算开销。DisAgg 通过引入一个由少量客户端组成的聚合器委员会来执行聚合操作：每个客户端使用秘密共享将其更新向量分发给聚合器，聚合器本地计算部分和，只返回聚合后的份额给服务器进行重构。这种设计消除了本地掩码和昂贵的同态加密，降低了端点的计算复杂度，同时保护了隐私（抵御好奇的服务器和有限数量的合谋客户端）。通过优化通信与计算成本的权衡，DisAgg 在处理来自 100k 个 5G 客户端的 100k 维更新向量时，相比于之前的最佳协议 OPA 实现了 4.6 倍的加速。论文通过理论分析和实验验证了 DisAgg 在效率、隐私保证和可扩展性方面的优势。

本文研究安全两方计算在动态控制器执行中的应用。针对现有基于同态加密的加密控制方案需要周期性解密、重置或重新加密控制器状态的问题，作者采用安全两方计算协议，使得控制器可以在无限时间范围内持续运行而无需暴露明文状态。然而，两方设置引入了额外的在线通信开销，可能影响实时可行性。为了验证该协议的实际可行性，作者在商用云平台上搭建了倒立摆实验台，实现了该安全两方控制器计算协议。实验结果表明，尽管存在在线通信延迟，该协议仍能成功稳定倒立摆系统。该研究为实时控制系统的隐私保护提供了一种无需周期性解密的新途径。

该论文提出了一种名为 FedAttr 的新协议，用于在联邦学习（FL）环境下对大型语言模型（LLM）微调过程进行客户端级别的归属分析。传统的基于水印的放射性检测方法已证明在集中式LLM微调中有效，但在联邦学习中面临挑战：联邦学习依赖安全聚合（SA）来保护客户端更新的隐私，这使得检测哪个客户端使用了带水印的数据变得困难。FedAttr 通过配对子集差分机制实现客户端归属，同时不破坏安全聚合的隐私保证和联邦学习性能。协议分三步：首先，通过两次安全聚合查询的差分估计每个客户端的更新；其次，利用差分评分机制通过水印检测器对估计结果打分；最后，使用Stouffer方法跨轮次合并分数。理论分析表明，FedAttr 能产生每个客户端更新的无偏估计，且每轮互信息泄漏量为 O(d*/N)。实验结果显示，FedAttr 在真实数据集上实现了100%的TPR和0%的FPR，在TPR上至少优于所有基线44.4%，在FPR上至少优于19.1%，且仅增加FL训练时间6.3%的额外开销。消融研究证实了其对协议参数和配置的鲁棒性。该工作填补了联邦LLM微调中隐私保护客户端归属的空白，特别适用于数据版权保护场景。

本文提出了一种针对隐私保护动作识别（PPAR）的压缩友好加密方法CFE-PPAR。PPAR旨在让机器理解视频中的人类活动而不泄露敏感视觉内容。现有加密方法在加密视频被压缩（如Motion-JPEG或H.264）时，会导致识别性能和视觉质量急剧下降，即不具压缩友好性。CFE-PPAR利用视频变换器（video transformer）实现加密视频的直接识别，其中视频使用密钥加密，变换器参数也使用相同密钥进行变换，从而在加密域中保持识别能力。实验在UCF101和HMDB51数据集上验证，在Motion-JPEG和H.264压缩下，CFE-PPAR在识别准确率和视觉质量方面均优于先前方法。该方法首次实现了压缩友好的加密PPAR，为实际部署中视频传输与存储的隐私保护提供了可行方案。

同态加密技术能够在加密数据上直接进行计算，从而保护敏感数据的隐私。然而，现有同态加密管线在面对恶意敌手时，无法保证计算结果的正确性——即客户端无法验证云服务器是否忠实地执行了所承诺的计算，而非返回伪造或部分正确的结果。本文提出两种与当前最先进全同态加密方案兼容的明文编码方法，使得客户端能够在实际开销可接受的前提下验证同态计算的结果。基于这些编码，作者实现了 VERITAS 库，这是首个支持所有同态操作验证的库。实验表明，对于多种隐私保护分析场景，VERITAS 相比基线同态加密方案仅增加不到 3 倍的计算开销，即可实现可验证性。该工作填补了理论可验证同态加密到实用系统之间的空白，为医疗、金融等领域的安全外包计算提供了关键基础设施。

该论文提出了PhishLang，一个基于MobileBERT的实时、全客户端钓鱼检测框架。传统钓鱼检测方法通常依赖服务器端分析或黑名单，存在延迟、隐私泄露和无法检测新钓鱼站点的问题。PhishLang通过在客户端设备上直接运行轻量级MobileBERT模型，实现对URL和网页内容的实时分析，无需网络请求，保护用户隐私。框架通过优化模型大小和推理速度，能够在移动设备上高效运行，同时保持高检测准确率。实验结果表明，PhishLang在真实世界数据集上达到了99.2%的准确率和0.7%的误报率，推理时间低于10毫秒。此外，该框架支持可解释性，通过注意力机制提供分类依据。主要贡献包括：首次将MobileBERT应用于客户端钓鱼检测、设计高效的模型压缩与蒸馏策略、以及在多个基准测试上的全面评估。该研究为移动端安全防护提供了轻量级、隐私保护的解决方案。

该论文提出了Treebeard，一个可扩展且具有容错能力的无意识随机访问存储器（ORAM）数据存储系统。ORAM技术能够隐藏客户端对远程存储的访问模式，但现有方案大多为单服务器设计，存在性能瓶颈和单点故障问题。Treebeard将ORAM状态分布到多台服务器上，并通过一致性协议保持状态同步，从而在保证隐私的同时实现线性扩展和故障恢复。系统支持跨客户端的ORAM状态共享，允许多个客户端并发访问而不会泄露彼此访问模式。实验表明，Treebeard在微基准测试和实际工作负载下，吞吐量较现有基准（如基于单服务器ORAM的ObliviousStore和标准键值存储Redis）提升了数倍至一个数量级。论文详细描述了系统架构、一致性协议、故障恢复机制以及性能评估结果。

本文提出了STIP（Secure Three-party Inference Protocol），一种用于大型Transformer模型在生产环境中的三方隐私保护无损推理方案。研究背景是，随着大型Transformer模型（如BERT、GPT系列）在云服务中的广泛部署，用户输入的隐私保护成为关键挑战。现有的隐私保护推理方法（如安全多方计算、同态加密）往往面临巨大的计算开销或精度损失，且难以直接适配Transformer的复杂结构（如非线性激活函数、自注意力机制）。STIP的核心创新包括：（1）设计了一种高效的秘密共享协议，支持在三个非共谋服务器之间进行线性层和非线性层的无损计算，特别针对Transformer中的GeLU、Softmax等函数进行了优化，通过函数拟合与定点数算术结合，实现了完全无损（即计算结果与明文推理完全一致）。（2）提出了自适应分割策略，将模型按层动态分配给三台服务器，以平衡计算负载和通信开销。（3）在安全性方面，STIP确保了半诚实模型下的隐私保护，任何两台服务器合谋也无法获取用户的输入或模型参数。实验基于多种主流Transformer架构（如BERT-Base、BERT-Large、GPT-2）在标准数据集上进行了评估。结果表明，与现有最佳方案相比，STIP将推理延迟降低了约40%，通信量减少了约30%，同时保持了无损精度。该方案适合对隐私和精度均有严格要求的生产环境，如医疗诊断、金融风控等场景。本文的主要贡献在于首次实现了面向大型Transformer的全流程三方无损隐私推理，并通过系统优化将开销降至实际可行的水平。

该论文研究了属性图上基于属性的社区搜索问题，并提出了一种隐私保护方法PACS。属性图是一种节点和边都带有属性的图结构，社区搜索旨在找到满足特定属性条件的紧密子图。传统社区搜索方法通常需要访问原始属性数据，可能泄露用户隐私。PACS通过集成加密技术和差分隐私机制，在保护节点属性和结构隐私的同时，支持高效的社区搜索查询。论文设计了安全的多方计算协议，使得服务器可以在密文上执行属性匹配和社区度量计算，而无需解密。实验证明了该方法在保障隐私的同时保持了较高的搜索准确率与效率。该工作贡献了首个同时支持属性过滤和结构约束的隐私保护社区搜索方案，适用于社交网络、生物信息学等敏感数据场景。

该论文提出RoundRole，一种面向多方计算（MPC）的带宽感知执行框架。MPC在隐私保护计算中广泛应用，但现有协议通常假设网络同质化，忽略了异构带宽对性能的影响。RoundRole通过动态角色分配和带宽感知的任务调度，最小化跨参与方的通信开销，从而提升整体吞吐量和降低延迟。在多种MPC协议（如GMW、BeDOZa）上的实验表明，RoundRole在异构网络环境下相比基线方法实现了2-5倍的性能提升，并且保持了原有的安全假设。该工作为MPC在实际部署中的效率优化提供了新的思路，尤其适用于参与方网络条件差异大的场景。

本论文提出 PriSrv+，一种面向无线服务发现场景的隐私与可用性增强方案。现有服务发现协议往往在用户查询时泄露服务属性或用户偏好，且匹配效率有限。PriSrv+ 基于快速且表达能力强的匹配加密（Matchmaking Encryption, ME）技术，允许服务提供商和服务请求者在不互信的前提下，通过加密条件进行高效的隐私保护匹配。具体而言，PriSrv+ 设计了支持多属性、范围查询和通配符匹配的加密原语，同时优化了计算和通信开销。实验结果表明，与现有方案相比，PriSrv+ 在匹配延迟和隐私保护强度上实现了更好的平衡，尤其适用于物联网和移动自组网等资源受限环境。该工作的核心贡献在于：1) 提出了一种新的 ME 构造，支持丰富的匹配策略；2) 在无线服务发现中实现了隐私与可用性的帕累托改进；3) 通过安全分析和性能评估验证了方案的有效性。本文适合对隐私保护通信协议、加密匹配或无线网络安全感兴趣的研究者和工程师阅读。

本文针对联邦学习（FL）中梯度、模型更新和发布表示可能泄露敏感属性的隐私问题，提出了一种名为高斯隐私保护器（Gaussian Privacy Protector, GPP）的数据发布框架。GPP针对连续高维输入，学习一个随机编码器，将原始数据映射到低维的消毒表示。编码器通过变分下界最小化发布表示与指定敏感属性之间的互信息，同时通过交叉熵项保留指定效用属性，并引入拉格朗日乘子β控制权衡。随后，作者将GPP扩展到联邦设置：每个客户端训练本地编码器，敏感标签不出客户端，聚合器仅接收消毒表示，从而在标准FL的“原始数据保留本地”保证之上提供实例级隐私保护。在三个基准数据集上评估：MNIST（数字和效用、奇偶敏感）、CelebA（微笑与性别）和HAPT-Recognition（活动与主体身份），结果表明GPP的效用与无约束自编码基线相差约一个百分点，同时将对手的AUC降至接近随机猜测水平。该方法为隐私敏感型应用（如医疗传感器、物联网设备、可穿戴设备）中的数据发布提供了一种有效的隐私-效用权衡方案。

本文首次提出并研究了私有认证者交集（Private Certifier Intersection, PCI）问题。在Web 3.0去中心化场景中，互不信任的各方需要基于共同信任的认证机构（certifiers）来交叉验证声明，同时保护不公开的共同认证者以外的隐私。PCI允许持有证书的双方或多方在不泄露交集外任何认证者信息的前提下，识别出共同的认证者并验证其颁发的证书。论文在简化UC框架下形式化定义了多方PCI，针对两种场景：只需任意一个声明有效（PCI-Any）或所有声明均有效（PCI-All）。作者设计并实现了两个可证明安全且实际高效的协议：一个基于ECDSA证书的PCI-Any协议，以及一个基于BLS证书的PCI-All协议。技术核心是提出了首个基于秘密共享的MPC框架，支持黑盒方式高效计算椭圆曲线算术运算，包括双线性对。该框架基于MP-SPDZ库，并使用OpenSSL和RELIC进行椭圆曲线运算。在局域网和广域网环境下进行了基准测试，结果显示跨洲际WAN环境中，处理40个输入集的时间不到一分钟，证明了方案的实用性。

检索增强生成（RAG）通过引入外部知识显著提升了大型语言模型（LLM）的能力，但其在云环境中的部署面临敏感数据的隐私泄露风险。现有隐私保护方案往往因噪声注入而牺牲检索质量，或仅提供部分加密。本文提出PRAG，一种端到端隐私保护RAG系统，在保持云托管RAG可扩展性的同时，实现文档和查询的端到端机密性。PRAG采用双模式架构：非交互式PRAG-I利用同态友好近似实现低延迟检索，而交互式PRAG-II借助客户端辅助达到与非隐私RAG相当的精度。为确保语义排序的鲁棒性，引入了操作误差估计（OEE）机制，以稳定对抗同态噪声的排序。在大型数据集上的实验表明，PRAG在保持端到端机密性的同时，实现了有竞争力的召回率（72.45%-74.45%）、实用的检索延迟以及对图重构攻击的强韧性。该工作证实了大规模安全高性能RAG的可行性。

该论文提出了一种隐私保护的衣物分类方案，旨在实现安全的人员中心控制（OCC）系统。尽管利用摄像头图像进行暖通空调（HVAC）控制以优化热舒适度的研究已广泛开展，但先前的工作未考虑对居住者图像的隐私保护。虽然已有多种隐私保护方法被提出用于图像分类，但应用传统方案会导致严重的精度下降。本文引入了一种基于Vision Transformer（ViT）的隐私保护分类方法，应用于衣物隔热估计。在根据衣物隔热类别标注的DeepFashion数据集上的实验表明：传统的基于像素的方法遭受严重的精度下降，而本文方案在加密图像上保持高精度，在所有类别上均未出现相比明文图像的精度退化。该研究适合于从事智能建筑、隐私保护机器学习、计算机视觉以及暖通空调控制的研究人员和工程师阅读。

该论文针对审计专有数据语义属性时的隐私与透明矛盾，提出了一种名为“Agentic Witnessing”的框架。传统方法如零知识证明（ZKP）适用于精确代数约束，但难以验证定性、非结构化属性（如代码库中的逻辑）。该框架将验证从可证明执行扩展到可证明推理，由验证者、证明者和审计者三个智能体组成。验证者被允许提出有限数量的简单布尔问题（真/假），审计者（基于大型语言模型LLM）运行在可信执行环境（TEE）中，通过模型上下文协议（MCP）动态检查证明者的私有数据集，产生是/否结论并附加密审计记录：一条签名哈希链，将推理轨迹绑定到原始数据集和TEE的硬件信任根。论文在21篇同行评审计算机科学论文的GitHub代码库上演示了自动化工件评估，例如验证代码库是否实现了论文描述的系统。将源代码视为私有数据，验证了对应出版物中描述的五项高层属性。实验表明，这一TEE驱动的智能体审计机制能有效实现隐私保护监督，将定性验证与数据披露需求解耦。