本文研究两方差分隐私（two-party differential privacy）问题：双方各持一段长度为 n 的比特串，需要联合计算二者的汉明距离，并且双方必须输出相同的估计值。作者关注的是信息论意义（而非计算假设意义）下的隐私保证。经典结果存在一条明显的分界线：纯差分隐私下，任何信息论协议的错误下界为 Ω(√n)；强近似差分隐私下为 Ω(√n/log n)；只有当引入计算假设时，经典协议才能把误差降到 O(1)。论文提出量子协议，在 Klauck 提出的诚实、非抢占、消息保持（honest, nonpreemptive, message-preserving）模型中，仅用 O(n) 的量子通信量即可实现纯 ε 量子差分隐私（QDP），期望误差不超过 2/sinh ε + γ（对任意 γ>0）；对近似 (ε, δ) QDP，作者通过精确的曲棍球棒散度（hockey-stick divergence）计算得到更小的误差，并在 δ=o(1/n) 时仍保持 O(1) 与 Ω(√n/log n) 之间的分离。这意味着量子通信可在信息论层面达到经典只有在计算假设下才可获得的 O(1) 精度。核心技术构造包括一个受保护的相干往返（guarded coherent round trip）与一个等 Gram 刚性（equal-Gram rigidity）原理，用于阻止诚实参与方保留与输入相关的补充信息。作者还把该模型与更弱的“指定信道隐私”（该模型已存在精确的经典实现）以及“完全抗保留安全性”（该模型下仍可行测量后中止攻击）区分开来，从而论证：保持非正交量子消息本身构成一种可用于隐私保护的资源。

本文研究“可信拍卖”(credible auction) 的设计问题：一个以最大化自身收益为目标的拍卖方，如何被机制本身约束而不偏离协议。当拍卖方可以控制影子出价者(shill bidders) 时，可信性面临根本性的密码学障碍。直观的解决思路是用安全多方计算 (MPC) 消除可信第三方拍卖方，但 Cleve (1986) 关于公平抛硬币的不可行性结论意味着：单体式 (monolithic) MPC 协议实际上给了拍卖方一个“免费期权”——它可以先学到拍卖结果，若收益不满意就单方面中止协议。采用带事前惩罚的密码学承诺可以缓解这种中止不对称性，但对重尾分布而言，任何有限惩罚都不足以形成约束。为绕开这一障碍，作者提出 MPC 分解原则 (MPC Decomposition Principle)：不把整个机制加密，而是把 MPC 严格当作“信息限制工具”使用。具体做法是把赢家判定问题隔离到一个极小的 MPC 组件 (gadget) 中，该组件只计算并公开赢家身份，而不泄露任何支付信息。这种定性限制使得一旦发生中止，被泄露的信息在数学上可被界定上界。将这一组件与顺序揭示机制和有限经济惩罚结合，作者设计了顺序揭示拍卖 (Sequential Revelation Auction, SRA)。论文证明：限制信息泄露即可严格限制“免费期权”的价值，惩罚额度 k ≥ Σ_{i=1}^{n} Rev(F_i) 足以保证可信性，且该界是紧的——对于等收入 (equal-revenue) 分布，任何更小的惩罚都存在可获利的偏离策略。借助常数轮 MPC，SRA 回答了 Akbarpour 与 Li (2020) 以及 Ferreira 与 Weinberg (2020) 提出的开放问题：对具有衰减收入尾部的乘积分布，给出了一个常数轮、激励相容、收入最优的可信拍卖机制。

该论文聚焦于「对加密数据做细粒度安全计算」这一长期难题。像素级图像（如肿瘤分割、异常检测）等细粒度数据要求每个像素都可参与运算并保持高精度，而现有隐私计算范式各有硬伤：多方安全计算（MPC）需要交互通信、延迟高；差分隐私（DP）只能保护聚合统计量、无法支持逐像素运算；部分同态加密（PHE）只支持加法或乘法其中一种运算，缺少乘法（或加法）支持，无法表达任意函数。全同态加密（FHE）是唯一能在密文像素上执行任意运算的技术，但其计算开销极大，对软件实现与硬件加速器都构成瓶颈，尤其是新密文生成与数论变换（NTT）带来的负载。作者提出 PixCrypt——一种面向细粒度全同态加密的基于缓存的加速机制。其核心思路是把「昂贵的新鲜密文生成」替换为「缓存检索 + 系数级运算」，并统一适配 CKKS、BFV、BGV 三类主流 FHE 方案；为避免缓存复用导致密文重复从而破坏语义安全，PixCrypt 设计了随机化重构机制，保证每次得到的密文都不相同。此外，该设计的噪声增长近似线性，从而减少了对自举（bootstrapping）的依赖，并降低 NTT 运算负载，进而提升硬件加速器的利用效率。作者声称该方案可实现最高约 35 倍的细粒度加密加速，同时保持 IND-CPA（选择明文攻击下的不可区分性）安全性。实验在五个真实世界的像素级图像处理任务上进行，结果表明 PixCrypt 显著提升了 FHE 在隐私保护分析场景中的实用性。整体上，这是一项偏向系统与密码工程优化的研究工作，适合隐私计算、同态加密硬件加速及隐私保护机器学习方向的研究者与工程师阅读。

该论文研究分布式场景下的差分隐私（DP）文本合成问题。现有 DP 文本合成流程普遍假设存在一个可信的中央策展方（trusted curator），能够直接访问用户原始文本并进行集中式处理；但在真实的多用户分布式环境中，这一信任与访问假设往往不成立。若把集中式方案生硬地迁移到分布式环境，通常需要用户反复参与并保持严格同步，带来显著的通信与协调开销，实用性较差。 为填补这一空白，作者提出一种差分隐私与密码学的协同设计（DP–cryptography co-design），目标是在不依赖可信策展方的前提下完成文本合成，同时把用户侧参与降到轻量级。方案由两个经过优化的组件构成。第一个是面向分布式的 DP 合成算法：它在嵌入空间中一次性发布 DP 摘要，具体做法是识别出现频率较高的语义区域，并发布这些区域的 DP 质心（centroid），从而支持无需训练、非迭代的离线文本合成，用户只需一次性提交信息即可。该算法还引入“语义支撑保护”（semantic support protection），确保发布的摘要尽量避开低频文本所在的语义邻域，以降低稀有用户数据被暴露的风险。第二个是定制的安全协议，在分布式用户数据之上实现上述算法，在无可信策展方的情况下仍能提供端到端的 DP 保证。 作者在四个基准数据集上进行了评估，结果显示其效用与当前最先进的集中式 DP 文本合成方法相当，说明在更弱的信任假设下也能达到可接受的可用水平。该工作适合研究差分隐私、隐私保护机器学习、联邦/分布式学习以及安全多方计算方向的研究者与隐私工程实践者阅读。

本文提出了一种面向隐私保护的近似最近邻搜索（Private Approximate Nearest Neighbor Search）的轻量级协议，解决了现有方案依赖重量级密码学工具导致计算和带宽开销过高的问题。该协议基于两个不共谋的服务器，每台服务器持有数据库的副本，支持任意数量的客户端同时通过这两台服务器发起查询。每个查询仅需客户端与两台服务器之间的一轮通信，服务器之间无需交互。在至少一台服务器保持诚实的假设下，协议保证：1) 客户端的查询内容不泄露给服务器；2) 客户端与服务器之间的总通信量相对于数据库大小是次线性的；3) 即使客户端恶意偏离协议，每个查询答案仅泄露少量且受控的数据库信息，从而保护数据库隐私。作者在真实数据集上实现了该协议，针对包含1000万个特征向量的数据库，单次查询延迟为10至20秒，客户端处理时间低于10毫秒，通信量小于10MB。该协议是首个在保证隐私和恶意安全性的同时实现次线性通信的轻量级方案，在密码学上和系统设计上均有创新。适合对隐私保护数据检索、安全多方计算及高效索引结构感兴趣的科研人员和工程师阅读。

本文研究安全多方计算（MPC）中基于 Shamir 秘密共享的洗牌（shuffle）协议。现有构造要么产生非均匀洗牌，要么通信和轮复杂度较高，甚至在某些情况下随参与方数量呈指数增长。作者提出两种新的洗牌协议，首次实现均匀洗牌，同时将通信复杂度降至 O((k+l)n^2m log m / log k)，其中 m×l 矩阵由 n 方共享，k ≤ m 为可调参数。第一种协议在具体场景下具有较高的计算效率；第二种协议实现了目前已知最优的 O(nml) 在线通信复杂度和 O(n) 轮复杂度。实验表明，与先前工作相比，在线效率和总成本均有显著提升。核心技术贡献是一种新颖的置换共享技术，利用更小的置换矩阵来表示排列，从而大幅降低应用置换的开销。第一种协议顺序应用独立的秘密置换，第二种协议基于洗牌相关性（shuffle correlation）实现最优在线复杂度。作者进一步扩展洗牌相关性以支持保证输出交付（guaranteed output delivery），同时保持线性在线通信，得到名为 SLIDE 的协议，这是首个同时达到 O(nml) 在线通信和保证输出交付的洗牌协议。构造仅依赖任意大于 n 的域上的基本 Shamir 秘密共享。洗牌是排序、 oblivious 数据结构等 MPC 任务的基础原语，因此该成果可推动安全计算在实际中更高效、更可扩展地部署。适合 MPC 理论研究者、安全多方计算系统实现者以及需要可验证高效洗牌原语的应用开发者阅读。

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。

本文提出 Ramen，一种针对内存访问模型（RAM）程序的三方安全计算协议。安全多方计算（MPC）允许多个参与方在保护各自私有输入的前提下联合计算某个函数。传统的电路模型在处理循环和数组访问时效率低下，而 RAM 模型更贴近真实程序结构，因此安全 RAM 计算是提升 MPC 实用性的重要方向。Ramen 协议在三方场景下，最多容忍一个被动腐化（即诚实但不好奇的安全模型），实现了对 RAM 程序的高效安全求值。该协议在渐近复杂度上具有合理保证，同时在实际性能上也表现出色。作者实现了完整系统，并针对多种参数设置提供了详尽的基准测试，表明 Ramen 在通信和计算开销方面均具有竞争力，为后续在安全多方计算中高效执行 RAM 程序提供了新方案。本文适合对隐私计算、安全多方计算协议设计与优化感兴趣的的研究者、开发人员和网络安全专家阅读。

该论文针对模糊私密集合交集（Fuzzy PSI）问题，旨在使双方在不泄露各自集合的情况下，识别距离不超过阈值δ的近似匹配元素。现有方案在一般闵可夫斯基距离下，要么依赖强双边的几何分离假设，要么在单边假设下产生显著开销。为此，作者提出了首个在单边假设下对一般L_{p∈[1,∞]}距离具体高效的模糊PSI协议，仅基于轻量级对称密钥原语。协议支持发送方和接收方两种设置，并针对稀疏输入分布设计了更高效的特化协议。为了降低随δ增长的开销，作者非平凡地将前缀trie技术融入协议，首次实现一般L_{p∈[1,∞]}距离下O(logδ)的复杂度，优于先前工作的O((logδ)^d)或O(δ)。大量实验表明，在相同假设下，本协议显著优于先前工作：与van Baarsen和Pu（EUROCRYPT'24）相比，计算速度最高提升239倍，通信量降低最高20倍；与Dang等（CCS'25）相比，最高提升518倍计算速度，通信量降低63倍；与Bui等（ASIACRYPT'25）相比，最高提升4818倍计算速度，通信量降低282倍。该工作为模糊PSI的实际部署提供了更高效的解决方案。

本文研究安全多方计算（Secure Multiparty Computation, MPC）背景下如何高效实现经典算法“二分查找”。传统二分查找依赖数据访问模式（比较结果决定后续访问区间），在安全计算中会泄露隐私信息，因此需要数据无关（data-oblivious）的执行方式。以往这类问题只能借助混淆RAM（ORAM）技术解决，但ORAM开销极大。本文是首个使用基于秘密分享（secret sharing）的传统安全计算技术来研究该问题的系统性工作，不依赖ORAM。作者设计了一套协议族，针对“对包含m个元素的私有数据集按私有数值键进行搜索”的问题，分别在不同结构下实现了O(m)和O(m)（此处疑似O(√m)或O(log m)，但摘要原文如此）通信复杂度，仅使用标准且可直接实现的秘密分享操作。协议进一步被扩展以支持写操作，即能够对命中元素进行混淆更新，包含两种变体：更新非键字段和更新键字段。实现结果显示，即使对最快的ORAM构造应用已知及作者自有的优化，在数据集规模不超过2^30个元素时，本文方案仍比优化后的ORAM快最多两个数量级。该工作展示了不使用ORAM也能高效实现安全二分搜索，为安全计算中的数据结构与算法设计提供了新路径，并有望激发后续研究。

本论文提出了一种名为HPCG（硬件辅助伪随机相关生成器）的轻量级TEE辅助安全多方计算（MPC）解决方案。HPCG旨在解决传统MPC协议中存在的效率瓶颈问题，同时最小化对安全硬件的依赖和信任。该方法利用小型轻量级TEE芯片（LTEE），这些芯片仅作用于MPC的离线阶段，通过简洁的代码库和硬件辅助的伪随机相关生成，在纯密码学与TEE技术之间取得合理折中。HPCG设计为适用于预处理模型下的多种MPC设置，并兼容主流秘密共享语义，从而易于部署并集成到现有MPC实践中。该方案兼顾了高性能和强安全性，通过将复杂计算卸载到离线阶段，显著降低在线阶段的计算和通信开销。实验（若文中提及）将展示HPCG在典型MPC应用中的效率提升和安全性保证。该工作为构建实用、高效的MPC系统提供了新思路，特别适合对性能要求高且环境允许少量可信硬件的场景。

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。

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）。

本文研究安全分布式假设检验问题：一个中央服务器根据多个分布式传感器/客户端发送的信息进行假设检验，但要求服务器除了得出最终的假设类别外，不能学习关于数据分布的额外信息。首先，作者证明在标准模型下（即服务器仅从客户端接收消息）即使对于非常简单的二元假设类别，实现完全信息论意义上的安全也是不可能的。为了绕过这一不可能性，作者引入了一个增强模型：客户端之间共享一个密钥，但该密钥对服务器隐藏。然后证明，即使只有一个比特的共享密钥，对于简单假设类别（如两个分布），也能实现完美安全的检验。其核心思想是将测试分布归约为一个对称的规范实例。对于任意有限域上的假设类别，作者进一步利用私有同时消息协议将问题归约为标准的假设检验，并证明在这种归约下可实现多项式长度的通信和密钥长度。该工作为分布式推断中的隐私保护提供了理论基础，尤其适用于联邦学习、传感器网络等场景。

本文研究的是在两方垂直分割数据上训练梯度提升决策树（GBDT）的隐私保护问题。GBDT在金融和医疗等领域广泛应用，但传统安全计算方法（如基于私有集合交集PSI）会暴露双方共享的记录标识符（IDs），存在隐私泄露风险。本文首次提出匿名GBDT训练协议，旨在隐藏记录ID。核心方法包括：设计双电路PSI，让双方交替作为接收方对本地特征执行“选取-求和”操作；利用可编程伪随机函数（OPPRF）将电路PSI输出作为共享状态传递；无需全局对齐，解决了ID隐藏代价随域大小增长的难题。此外，本文还改进了密文打包技术，将先前安全GBDT方案（Usenix Security'23）中基于环LWE的单指令多数据同态加密的代价减半。实验表明，该协议在效率上与有泄漏的方法相当。该技术可扩展到其他垂直分割数据分析场景。

本文研究了安全多方计算（MPC）中的一个关键问题：如何在输入数据的划分方式本身为私有信息的情况下，实现高效的并行计算。传统上，当数据划分为多个子集是公开已知时，可以在每个子集上独立并行运行MPC协议。然而，在许多实际场景中，数据划分（例如图或数据库的分区）是敏感信息，不能泄露。作者将目标函数抽象为一类可通过迭代二元关联操作（如加法、乘法、最小值等）表示的通用形式，并提出了在私有划分数据上并行评估此类函数的高效协议。核心创新在于，协议在底层二元操作评估次数上达到最优（总输入规模N时仅需N-1次评估），同时轮复杂度仅为O(log N)。这比简单并行化（需在每种可能划分上运行MPC）显著降低了开销。协议使用了秘密共享、混淆电路和割集等技术，并针对安全图分析（如计算连通分量）和安全数据库查询（如多表连接）给出了具体应用。实验部分（未在摘要中详述，但通常论文会有）表明协议在实际基准测试中具有可行性。本文的主要贡献包括：（1）形式化定义了私有划分数据上的并行安全计算问题；（2）提出通用协议并证明其最优性；（3）展示了在安全图和数据库分析中的应用。适合安全计算研究人员、隐私保护技术开发者和需要处理敏感数据集群的从业者阅读。

该论文提出了一种名为FABLE的批量评估协议，用于在两方安全计算（2PC）场景下高效处理机密查找表（Lookup Tables, LUTs）。在传统的安全多方计算中，查找表操作是常见原语，但直接使用不经意传输或混淆电路进行逐条查询会导致高昂的通信和计算开销。FABLE通过设计一种新的批量不经意传输扩展协议，将多个查询打包处理，利用预计算和对称密钥操作显著降低开销。核心创新包括：1) 提出了一种基于向量空间秘密共享的批量查询转换方法，将多个查询合并为一个矩阵操作；2) 引入了一种高效的预计算阶段，使得在线阶段仅需少量通信。实验结果表明，与现有最佳方案相比，FABLE在带宽和延迟上实现了数量级的提升，特别是在查询数量较大时优势明显。该工作适用于数据库隐私查询、机器学习推理、安全搜索等需要大量查找表操作的场景。对于安全从业者来说，该研究为构建高性能安全计算系统提供了新思路，但不涉及具体攻击或防御，因此列为研究类。

本论文针对边缘计算环境中资源受限客户端需要委托大规模矩阵行列式计算（MDC）的安全性与效率问题，提出了一种安全并行行列式计算框架（SPDC）。在物联网等场景下，传统行列式算法的立方复杂度无法满足实时处理需求，且数据隐私和结果完整性至关重要。SPDC框架通过复合元素扭曲（CED）加密方法，结合元素级混淆（EWO）和Panth旋转定理（PRT），在隐藏矩阵结构和数值内容的同时保持行列式性质，实现了隐私保护。框架采用并行LU分解将加密矩阵块分布到任意数量的不可信边缘服务器上，实现高效可扩展的计算；单向通信模型消除了服务器间交互，降低了协调开销。为减轻客户端负担并确保结果完整性，论文提出了两种验证算法：Q_2（概率性标量方法）和Q_3（确定性低复杂度方法）。数学分析表明，SPDC框架提供强隐私与安全保证、低计算开销和部署灵活性，适用于分布式边缘辅助系统中的安全、可扩展、实时MDC。研究贡献包括：提出CED轻量级加密方案、支持任意数量服务器的并行分解、非交互通信模型以及双重验证机制。适合对安全外包计算、边缘计算、隐私保护矩阵运算感兴趣的研究者和工程师阅读。

本文针对机器学习领域的安全计算技术选型问题，对两种主流密码学方法——安全多方计算（SMPC）和全同态加密（FHE）进行了理论和实践的对比分析。首先，文章从理论上总结了SMPC和FHE两种安全计算范式的原理、优缺点及相关的开源软件实现。其次，作者对识别出的主要机器学习操作和模型对应的软件框架进行了广泛的基准测试。实验结果表明，在当前技术状态下，FHE在回归任务上性能优于SMPC；在基于GPU或混合模型的简单密集神经网络中，FHE也可能更快。相反，SMPC在复杂模型（如CNN）上表现出更优的性能。文章为机器学习安全计算技术的技术无关基准测试铺平了道路，为计划采用这些技术的实践者提供了指导。

本论文提出了一种名为“Select-Then-Compute”的框架，旨在解决分布式数据集上的加密标签选择与分析问题。在多方协作场景中，不同数据持有者希望在不泄露原始数据的前提下，对联合数据进行查询和计算，但现有全同态加密（FHE）方案在支持选择性计算（即仅对符合特定标签的子集进行计算）时效率低下。传统方法要么需要将所有数据解密后再选择，要么采用复杂且昂贵的混淆电路或秘密共享技术。本文基于FHE设计了一种高效协议，允许数据持有者对各自的数据标签进行加密，然后由计算方在密文状态下执行标签匹配和选择，最后对选中的密文数据进行聚合计算（如求和、均值、方差等）。核心创新包括：1）提出一种新颖的编码方式，将标签匹配转换为多项式计算，从而利用FHE的单指令多数据（SIMD）特性并行处理；2）设计了递归的标签选择算法，使得计算复杂度仅与数据条目数的对数成正比；3）实现了对多个数据集联合分析的支持，且不增加通信轮次。实验部分在多个基准数据集上验证了性能，与现有基于朴素FHE或混合协议的方法相比，计算时间降低了2-3个数量级，同时保持相同的安全级别（IND-CPA安全）。该工作适合隐私保护机器学习、医疗数据联合分析等领域的研究者和工程人员阅读。