Trinqet: Private Triangle and Quadrangle Counting over Distributed Graphs
该论文关注分布式图分析中的隐私保护统计问题。三角形（triangle）与四边形（quadrangle）计数是图分析中的核心统计量，广泛用于社交网络分析、欺诈团伙识别、异常检测和网络结构刻画。然而现实中的图数据往往分散在多方手中，且边关系本身
#secure-multi-party-computation
共收录 20 条相关情报。
← 返回所有主题Tetrad: Actively Secure 4PC for Secure Training and Inference.
本文提出 Tetrad，一个面向四方的安全多方计算（MPC）框架，专门用于隐私保护的机器学习训练与推理。与常见的两方或三方设置不同，Tetrad 考虑四方参与者，并容忍最多一个主动腐败方（active corruption）。它基于环（ri
Privacy-Preserving Detection of Rare Disease-Associated Cell Subsets via Secure Multi-Party Computation
本文提出了一种基于安全多方计算（MPC）的隐私保护框架，用于从高维单细胞数据中检测稀有疾病相关细胞亚群。单细胞测量技术（如流式细胞术、质谱流式）能够揭示免疫细胞异质性，但识别罕见细胞亚群（如频率低至0.01%的疾病相关细胞）需要足够大且多样
Secure Graph Analysis at Scale.
本文提出了一个高度可扩展的安全计算图算法框架，用于保护图拓扑及节点/边关联数据的隐私。在该框架中，图的所有节点和边都以秘密共享形式分布在多个服务器上，服务器间通过安全计算协议协同计算，而不泄露任何图结构或节点属性信息。虽然该方案具有一定的普
Oblivious Linear Group Actions and Applications.
本文提出了一种高效的两方协议，用于对数据集盲目地应用任意（可能是随机的）线性群作用。该协议能够涵盖多种应用场景，如盲目洗牌、循环移位、矩阵乘法等。其显著特点是：在完成与输入无关的离线计算阶段后，在线计算阶段可以实现回合最优（即单轮）的通信。
PrivDNN: A Secure Multi-Party Computation Framework for Deep Learning using Partial DNN Encryption
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
Dory: Streaming PCG with Small Memory.
该论文提出了一种名为 Dory 的流式伪随机相关生成器（PCG），旨在解决安全多方计算（MPC）和零知识证明（ZKP）等密码学协议中伪随机相关生成的内存效率问题。传统的 PCG 方案需要预先生成并存储大量相关随机数（如不经意传输扩展、乘法三
Rushing at SPDZ: On the Practical Security of Malicious MPC Implementations.
本文针对现代安全多方计算（MPC）实现的实际安全性进行了深入研究，重点关注SPDZ协议（Damgard等人，CRYPTO 2012, ESORICS 2013），该协议在最多所有参与者中除一人外均被腐化的情况下提供针对恶意对手的安全性。研究
Giskard : Byzantine Robust and Confidential Aggregation for Large-Scale Decentralized Learning
本文针对去中心化机器学习中同时保证数据机密性和拜占庭鲁棒性的挑战，提出了Giskard协议。在去中心化学习中，客户端本地保存数据，仅与邻居交换模型参数或梯度。机密性要求隐藏这些参数（如通过密码学技术），而拜占庭鲁棒性需要检查参数，两者目标冲
pMPL: A Robust Multi-Party Learning Framework with a Privileged Party.
本文针对传统基于安全多方计算的隐私保护机器学习（MPL）通常采用点对点架构，各方平等且都能揭示输出结果，但实际业务场景往往需要层次化架构，其中存在一个特权方领导机器学习任务，只有特权方才能揭示最终模型，即使其他辅助方合谋也无法获取模型。此外
MPC-Patch-Bench: Security-Aware LLM Code Patch for Multi-Party Computation
本文提出了 MPC-Patch-Bench，这是首个针对安全多方计算（MPC）软件的仓库级基准，用于评估大语言模型（LLM）的代码修复能力。当前缺乏此类基准，直接移植通用基准（如 SWE-bench）存在三大结构性缺陷：（1）MPC仓库中通
SiRnn: A Math Library for Secure RNN Inference.
本文提出了一种用于安全两方计算（2PC）中循环神经网络（RNN）推理的数学库 SiRnn。现有的安全推理工作主要针对卷积神经网络（CNN），而对RNN中常用的指数函数、sigmoid、tanh、平方根倒数等标准数学函数的支持依赖于通用2PC
Secret-Shared Joins with Multiplicity from Aggregation Trees.
本文针对秘密共享（secret shared）数据库表上的 SQL 类 join 操作，提出了新型协议。以往方法要么要求参与 join 的键必须唯一，要么具有二次开销。本文的工作消除了这一限制，允许参与 join 的一方或双方秘密共享输入表
Dumbo-MPC: Efficient Fully Asynchronous MPC with Optimal Resilience.
本文提出 Dumbo-MPC，一种在完全异步网络模型下实现最优容错的高效安全多方计算（MPC）协议。安全多方计算允许多个互不信任的参与方在不泄露各自私密输入的前提下联合计算任意函数，是隐私保护计算的核心技术之一。实际网络中，异步模型能更好地
Amplification by Shuffling without Shuffling.
该论文受差分隐私洗牌模型（shuffle model）近期发展的启发，提出了一种新的近似洗牌功能——交替洗牌（Alternating Shuffle）。研究背景是：在洗牌模型中，一个可信的洗牌器随机排列用户的数据，从而放大本地差分隐私的隐私
FLUTE: Fast and Secure Lookup Table Evaluations.
本文提出FLUTE协议，用于安全多方计算（MPC）中快速且安全的查找表（LUT）评估。传统的布尔电路在安全计算中存在较大的在线阶段开销，而查找表可以替代传统门电路（如AND、XOR），生成更紧凑的电路，并显著提升在线性能。已有工作利用LUT
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
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。
Secret-Shared Shuffle with Malicious Security.
本文针对秘密共享洗牌（Secret-Shared Shuffle）这一安全多方计算中的核心原语，提出了首个在恶意敌手模型下实现安全性的高效协议。秘密共享洗牌允许参与方在不泄露输入数据的情况下，对秘密共享形式的数组进行随机排列，广泛应用于隐私
Pencil: Private and Extensible Collaborative Learning without the Non-Colluding Assumption.
本文针对协作式神经网络训练中日益突出的数据隐私挑战展开研究。传统方法如联邦学习（FL）完全忽略模型隐私，而同态加密（HE）只能支持单一数据提供方，扩展性受限。现有的安全多方计算（MPC）框架虽能提供合理吞吐并同时保护数据与模型隐私，却严重依
Practical Traceable Over-Threshold Multi-Party Private Set Intersection.
本文针对多参与方隐私集合交集（MP-PSI）中带阈值功能的场景提出可追踪的过阈值协议。在传统MP-PSI中，只有同时出现在所有参与方集合中的元素才会被公开，而带阈值的MP-PSI则允许公开出现在至少t个参与方集合中的元素，从而提升了灵活性。