该论文针对单服务器有状态私密信息检索（PIR）协议中效率与可验证性之间的权衡问题，提出了一种新型协议。论文首先分析了现有单服务器PIR方案在状态更新和验证方面的不足，指出大多数方案无法同时保证检索结果的正确性（可验证性）和支持高效的批量查询。作者设计了一个基于同态加密和承诺机制的协议，该协议通过引入轻量级状态更新算法，在服务器端维护一个加密状态，客户端每次查询时仅需少量交互，并能通过验证算法确保服务器未篡改数据。实验部分使用真实数据集评估了协议的性能，结果显示在带宽、计算开销和存储开销方面均优于现有方案，特别是在大规模数据场景下，查询延迟降低了约40%。该工作为构建可审计的私有数据检索系统提供了新的思路，适合对隐私增强技术和数据库安全感兴趣的研究者阅读。

该论文关注电子投票系统的可验证性问题。传统上，可验证性依赖于复杂的密码学协议，选民难以自行验证。作者提出了一种基于简单表格的可验证投票方案，选民只需进行基本的检查步骤（如匹配数字、核对表格）即可验证投票的正确性，几乎无需密码学知识。论文详细描述了表格生成、投票、计票和验证的流程，并通过形式化方法证明了方案满足可验证性要求。实验表明，该方法在保持安全性的同时显著降低了选民理解门槛，适合在资源受限或低技术环境的选举中应用。

联邦学习（FL）是一种去中心化的机器学习范式，允许多个参与方在不共享原始数据的情况下协同训练全局模型。由于各参与方数据质量参差不齐，如何公平地评估每个数据提供者的贡献（即数据估值）成为保障FL公平性的关键问题。现有工作常引入沙普利值（Shapley value）概念，通过测量包含或排除某本地模型参数对全局模型性能的影响来量化贡献。然而，传统的贡献度测量由聚合器或中心化验证者执行，该验证者可能受组织控制而伪造结果，导致估值不公平。本文提出一个具有强公平性的可验证数据估值框架，其核心思想是让所有参与者（数据提供者）都能独立验证贡献度测量结果的正确性，从而杜绝伪造可能性。框架基于沙普利值，但设计了一套可验证的计算协议，确保任何参与方均能对聚合器计算的估值进行校验，而无需信任中心化实体。作者通过理论分析证明了框架满足强公平性（即无法伪造或篡改估值结果）和安全性，并通过实验评估了计算和通信开销，表明其在合理资源消耗下可实现可验证性。该工作为FL中的数据估值提供了可信、公平的解决方案，尤其适用于对隐私和公平性要求高的场景。