本文研究一个交叉性问题: 当 AI 系统基于机密数据产生输出时(论文举的两个例子是: 依据医疗记录给出适岗/履职能力评估, 以及依据分子的秘密结构预测候选药物的性质), 我们既希望验证这些输出是否计算正确, 又不希望泄露底层敏感数据。已有的一类工作研究如何通过交互式证明(interactive proofs)与辩论式监督(debate)来验证「带 oracle 的计算」(oracle-aided computation), 这里的 oracle 可以是人类判断、物理实验或互联网检索, 即计算正确性本身依赖于外部 oracle 的回答。这些工作的关注点是让验证者的运行时间远快于被验证的计算本身, 但对一般的带 oracle 计算, 这种高效验证被证明是不可能的, 因此它们必须引入额外假设。本文把关注点从「省时」转向「隐私」: 允许验证者运行与计算同阶的多项式时间, 进而追问——针对带 oracle 计算的交互式论证能否做到零知识, 使验证者除了「输出是正确的」之外学不到关于机密数据的任何信息。作者给出了否定性的主要结论: 一般而言不能。在随机预言机模型下, 不存在能覆盖所有带 oracle 计算的零知识证明, 即便证明者与验证者被允许运行远长于被验证计算的时间; 这一不可能性结果还延伸到 debate 模型, 而 debate 是可扩展监督(scalable oversight)的典型范式。在正面方向上, 作者证明: 如果 oracle 对它的每一个回答都附上密码学签名, 那么任何带 oracle 的计算都能以零知识方式被验证, 且证明者与验证者都是高效的, 所需假设仅为抗碰撞哈希函数。除隐私之外, 该结果还提供了一条可扩展监督的替代路径: 它既不像 debate 那样依赖存在一个诚实的对手方, 也不像以往单证明者协议那样依赖计算本身的鲁棒性。整体上, 论文用不可能性与构造性结果划出了「AI 监督能否零知识」的边界条件——关键在于 oracle 的回答是否可被密码学认证。

该论文研究的是「量子计算的经典验证」这一核心问题：如何让一个只能进行经典计算的验证者，去核实一台不受信任的量子证明者是否正确地执行了量子电路。作者 Holler 与 Natarajan 基于「计算自测试」(computational self-testing) 框架——即经典验证者能够对单个、计算能力受限的证明者的量子寄存器施加控制——构造出首个在电路模型下总资源需求为准线性的 BQP 论证系统 (argument system)。其安全基础是 LWE (Learning With Errors) 假设，总资源开销为 O(poly(λ, log g)·g)，其中 g 是所委托电路的门数，λ 是 LWE 安全参数；这意味着验证开销对电路规模近似线性、对安全参数为多项式级，是该方向上首次达到准线性总资源。技术上，作者构造了一个新的计算自测试，用于对证明者的量子态进行认证，并借此将 Broadbent (ToC 2018) 的高效验证协议「去量子化」，即将原本需要量子验证者的部分转化为纯经典可执行的验证。该自测试能够以可验证且随机的方式，远程制备单量子比特 Clifford 可观测量 σ_X、σ_Y、σ_Z、(σ_Y−σ_X)/√2 与 (σ_Y+σ_X)/√2 的张量积态，并具有常数鲁棒性——验证误差与所制备量子比特的数量无关，这是实现准线性资源的关键。方法论上，多证明者场景下的类似结果此前由 Coladangelo 等人 (ToC 2024) 提出；本文利用 Kalai 等人 (STOC 2023) 提出的编译器（可将任意非局域博弈 nonlocal game 转化为单证明者论证系统），将其应用于经过修改的自测试，从而在单证明者设置下复现了该结果。论文属于量子密码学与复杂性理论交叉方向。

该论文聚焦动态频谱接入（DSA）中频谱接入系统（SAS）长期存在的「可验证性」与「隐私保护」矛盾。现有集中式 SAS（如美国 CBRS 采用的多层频谱共享架构）由少数运营方掌握分配逻辑，频谱用户（PAL/GAA 用户以及既有 incumbent）难以独立核验信道分配结果与保护措施是否真正符合监管约束，存在分配逻辑不透明的治理风险；而把 SAS 逻辑迁移到区块链上虽天然带来透明性和可验证性，却会引入严重的隐私泄露风险（频谱使用情况、设备位置、分配输入等敏感数据上链）以及不可接受的高昂链上计算开销。作者提出 zkSAS：一套面向 SAS 部署场景的实用零知识证明（ZKP）系统，既能作为现有集中式 CBRS SAS 的验证层，也能嵌入区块链式 SAS 架构。其核心贡献是设计并实现了一组 ZKP 电路，包括：1）分配约束有效性证明（allocation constraint validity），用于在不暴露敏感用户数据的前提下，证明某次信道分配结果满足监管约束（如可用频谱、保护带、优先级与共存规则等）；2）移动列表有效性证明（move list validity），用于验证基于 move list 的 incumbent 保护措施确实按规则计算与生成（例如需腾退频段与受影响用户集合的正确性）。论文在集中式与区块链两种部署模式下对原型系统进行了全面评测，结果显示证明生成开销随频谱用户规模增长而增长，而证明验证保持轻量且为常数时间，这种非对称特性非常适合实际部署——重计算可由申请分配的用户承担，监管方或验证节点可以低成本、可扩展地批量核验。作者据此认为 zkSAS 为安全、可验证的动态频谱共享提供了一条可扩展且实用的技术路径。适合关注无线频谱治理、CBRS/SAS 架构、隐私增强技术以及零知识证明工程化落地的研究者、监管技术团队与安全工程师阅读。

零知识证明（ZKP）允许证明者在不泄露底层秘密的前提下，向验证者密码学地证明某个陈述有效，是「可验证计算」的基础原语。当前 ZKP 技术栈正在经历一次根本性转向：以 Groth16 为代表的经典 zk-SNARK 依赖可信设置（trusted setup），并且在量子攻击者面前不安全；而 zk-STARK 等透明（transparent）、后量子（post-quantum）构造仅依赖抗碰撞哈希函数即可获得后量子安全性，代价是巨大的计算开销。论文指出，在这类系统中，Fast Reed–Solomon Interactive Oracle Proof of Proximity（FRI）协议主导了证明者（prover）的复杂度：它会产生海量数据、反复执行 Merkle 树承诺，并呈现不规则的访存模式，从而在通用处理器上严重限制性能与能效。 针对上述问题，作者提出 FASTAR —— 一个面向 FRI 协议的新型 FPGA 加速器。与那些在昂贵 ASIC 工艺节点上追求固定高性能内核的加速器不同，FASTAR 采用「约束驱动」（constraint-driven）的设计方法学。该框架使用高层次综合（HLS）实现，由完全可参数化的构建块组成，覆盖 FRI 的主要阶段：多项式求值（polynomial evaluation）、递归拆分与折叠（recursive split-and-fold）以及 Merkle 树构造。系统以用户提供的开发板规格（板卡资源、内存约束等）作为输入，自动生成为目标 FPGA 的资源与存储约束量身定制的硬件实现，从而无需人工重新设计即可在多种平台上部署。 论文的核心贡献可归纳为三点：一是明确了 FRI 是 zk-STARK 证明者性能的主导瓶颈，并刻画了其数据量、重复承诺与访存不规整这三大硬件痛点；二是提出了一种可参数化、可自动生成硬件配置的 HLS 框架，把 FPGA 加速从「手工调优」推进到「按板卡约束自动实例化」；三是强调可移植性——同一套设计思路可覆盖从低成本到高端的多样化 FPGA 平台，避免绑定单一 ASIC 节点。 该工作属于密码工程 / 硬件加速方向，适合零知识证明工程实现者、可验证计算基础设施团队、FPGA/HLS 硬件工程师以及对后量子密码部署成本敏感的研究者阅读。需要注意的是，摘要未给出具体实验数据、加速比数字或与其他加速器（如 GPU / ASIC）的对比结果，因此其性能宣称仍需查阅正文验证。

该论文面向一个日益突出的现实矛盾：开源大模型（LLM）在能力上已可与闭源模型竞争，并且允许用户在不把输入暴露给服务商的前提下本地推理，但大规模模型对本地算力要求极高，因此大量用户仍不得不租用第三方算力，从而重新引入隐私泄露与计算结果被篡改（正确性）两类风险。现有解决方案要么给服务端带来巨大的计算与通信开销，要么依赖额外的信任假设（如可信硬件、可信第三方或重量级密码学设置），难以在真实部署中落地。作者提出 Maverick：一种基于「矩阵-向量乘法委托」协议的私有且可验证的 LLM 推理方案。之所以选矩阵-向量乘法，是因为它是 LLM 推理中占据主导地位的算子，把这一原语做扎实，就能以模块化方式覆盖整体推理流程。Maverick 的核心贡献，据作者所述，是首个针对矩阵-向量乘法委托的、具有信息论级可靠性（information-theoretically sound）的验证协议，其特点包括：透明预处理（transparent preprocessing，即不需要可信初始化或秘密陷门）、高效的批量验证，以及几乎不增加服务端开销。在隐私方面，作者把该验证原语与基于 LPN（Learning Parity with Noise）难题的伪随机掩码结合，为客户端输入提供隐私保护——即服务端在计算过程中无法获知用户真实输入，而用户仍能验证返回结果的正确性。作者实现了该矩阵-向量委托原语，并据此搭建了 Maverick 的端到端原型，在 Qwen3-4B 模型上以每秒 token 数（throughput）为指标进行评测，覆盖 1 至 8 个客户端线程的配置。实验结果显示：在单客户端线程、服务端为最多 128 线程的 CPU 场景下，相比本地推理，掩码在线生成时吞吐最高提升 17 倍，掩码预计算时为 45 倍，仅做验证时为 44 倍；在四客户端线程下，对应提升分别为 13 倍、18 倍和 17 倍。当服务端算力不再是瓶颈时，作者用带模拟网络延迟的客户端微基准测试进一步测量，得到 12 倍至 20 倍、34 倍至 135 倍、38 倍至 157 倍的加速区间。该工作适合关注隐私保护推理、可验证计算、密码学协议工程以及 LLM 服务化基础设施的研究者与安全工程师阅读。

本文针对同态加密（Homomorphic Encryption, HE）在恶意敌手模型下计算结果缺乏可验证性的问题展开研究。同态加密允许在密文上直接执行计算，是隐私保护数据分析的关键技术，但现有HE管道无法防止恶意服务器返回错误计算结果。为此，作者提出了两种与主流全同态加密方案兼容的编码方案，使得客户端能够以低开销验证同态计算结果的正确性。这些编码支持现代隐私保护分析所需的全部操作，包括加法和乘法等，从而在不牺牲计算能力的前提下引入可验证性。基于所提编码，作者实现了一个即用型库，可对任意在加密数据上执行的同态操作进行验证。实验表明，该方案在多种应用场景下具有实用性，尤其对于某些同态分析任务，验证开销相对于同态加密基线仅增加不到3倍。该工作为构建恶意安全的同态加密计算管道提供了基础组件，填补了HE在恶意安全验证方面的空白。适合研究同态加密、安全多方计算、隐私保护机器学习和可验证计算的安全研究人员阅读。

该论文提出了一种利用可验证的链下计算（Verifiable Off-Chain Computation）来保护隐私的基因组分析方法。随着基因组测序成本下降和医疗数据共享需求增加，基因组数据的高度敏感性使得在云端或区块链上进行计算面临严峻的隐私泄露风险。传统链上计算虽然透明但成本高昂且无法满足大规模数据处理需求，而链下计算又缺乏可信的验证机制。作者设计了一种将基因组分析任务拆分为链下执行与链上验证的架构：使用可信执行环境（TEE）或零知识证明（ZKP）等技术确保链下计算结果的正确性和完整性，同时通过智能合约实现可验证性，避免原始基因组数据暴露给非授权方。论文还构建了原型系统，评估了在常见基因组分析任务（如变异识别、基因相关性统计）中的性能开销与隐私保证，结果表明该方法在保证隐私与可验证性的前提下，显著降低了链上存储和计算成本。该研究为医疗数据共享、个人基因组数据管理等场景提供了可行的隐私保护计算范式，适合关注区块链隐私计算、生物信息学安全以及数据合规的领域研究者阅读。

本文提出 BioZKFHE，一个用于可扩展加密生物特征识别的框架，它结合了 BGV 型全同态加密与委员会中介的证明开/解密及智能合约验证。研究背景是在外包场景下进行大规模生物特征识别，需要同时保证生物模板和查询数据在计算过程中的机密性，以及由不可信计算节点产生的加密相似度输出的可验证正确性。现有基于 FHE 的生物特征系统主要关注机密性，而实际可验证性在底层的加密 1:N 匹配层引入了两个瓶颈：一是相似度评估中大量的旋转操作和带宽开销，二是重复证明同态相似度迹的高成本。为此，作者提出了两种核心方法：(1) 单系数多值（SCMV）打包技术，通过基-T 扩展将多个量化嵌入值绑定到每个明文项中，从而减少加密存储并避免旋转密集的加密 1:N 匹配；(2) 可并行化可验证相似度计算（PVSC），利用 BGV 的双 CRT 执行结构将每个块状相似度迹分解为并行的证明实例，在结果释放前进行打开和检查。在标准格假设和明确的委员会/验证者假设下，分析了可恢复性、噪声增长、机密性、加密输出完整性和最终结果完整性。实验在 FaceNet 和 MobileFaceNet 上进行，展示了近乎无损的生物特征效用、最高 67% 的加密存储减少，以及对于 1 万到 4 万模板的端到端证明验证运行时间约为 22 到 44 秒。

MicroNova 是一种基于折叠的递归论证系统，旨在高效证明形如 y = F^(ℓ)(x) 的增量计算，其中 F 可以是使用 R1CS 约束系统编码的非确定性计算。与现有折叠论证相比，MicroNova 的关键创新在于其验证者在资源受限环境（如以太坊区块链）中的具体效率。证明过程逐步生成，且证明大小和验证时间与迭代步数 ℓ 无关。在最后迭代后，证明被压缩为 O(log N) 个群元素，其中 N 是单次调用 F 的约束数。压缩证明的验证仅需 O(log N) 次群标量乘法和两次配对运算。MicroNova 需要通用可信设置，并可复用为 KZG 多项式承诺方案创建的现有设置材料。论文还给出了实现和实验评估：在以太坊上验证一个证明大约消耗 220 万 gas，证明者的开销相比基础的 Nova 仅有极小增加。这项工作对区块链上可验证计算、递归证明合成等领域有显著贡献，尤其为在智能合约中高效验证复杂计算提供了实用方案。

全同态加密（FHE）允许云计算服务商直接在用户提供的密文上执行计算，而无需解密，这对于医疗、金融等隐私敏感领域的数据外包处理至关重要。然而，在该模式下，客户端普遍担心恶意服务器或服务器端漏洞可能导致数据、计算过程或结果被篡改，从而破坏结果的完整性和准确性。确保计算的可验证性且保持低开销仍是一个开放性问题。为了解决这一挑战，本文提出 DataSeal，一种将算法级容错（ABFT）技术与 FHE 机密性相结合的方案。ABFT 原本用于检测和容忍计算中的硬件故障，DataSeal 将其改造为可验证 FHE 计算完整性的轻量级机制。通过在多种应用场景下的实验评估，作者证明 DataSeal 在提供 FHE 计算可验证性方面，其空间与计算开销远低于传统方法（如消息认证码 MAC、零知识证明 ZKP、可信执行环境 TEE），并且随着问题规模增大，额外开销几乎可以忽略不计。该方案无需修改 FHE 底层密码原语，具有较好的实用性和可扩展性。DataSeal 的核心贡献在于将 ABFT 的校验思想推广到加密域，实现了低开销、高置信度的结果验证，为 FHE 在真实云环境中的可信部署提供了新的技术路径。

本文研究了在流式认证数据上实现隐私保护证明的问题。在该场景中，服务器从可信数据提供者处持续接收数据流，并被要求向第三方正确且隐私地证明对数据执行的计算结果。第三方除了知道声称结果的正确性外，不获得任何数据信息。挑战在于第三方仅与服务器通信，却能验证结果相对于提供者所认证数据的有效性。该问题广泛应用于股票市场监控与预测服务、政府基于大型医疗数据库发布的统计等场景，这些都需要可靠且可扩展的解决方案。论文提出了针对签名数据的高效零知识证明方法，支持对数据流进行可验证计算，同时确保数据隐私。主要贡献包括：形式化定义了流式认证数据上的零知识证明模型，设计了高效的协议实现，并通过实验证明了其性能优势。适合密码学、隐私保护计算、数据流处理等领域的研究人员和工程师阅读。

本文针对动态加密控制系统中云服务器计算的完整性验证问题，提出了一种新颖的验证算法。传统加密控制虽能保护数据和参数隐私，但云服务器可能篡改计算结果，现有方法要么依赖强假设，要么计算开销大，且仅适用于静态计算。作者利用控制器的系统理论输入输出特性，通过在云端并行处理人工挑战信号，与请求的控制输入一起计算，从而在工厂侧检查结果的正确性。该方法几乎不增加额外计算负担，能以高概率检测错误计算，且能防御重放攻击。论文属于理论与方法贡献，适合从事加密控制、安全计算和自动化领域的学者与工程师阅读。

本文研究动态有序集合（支持插入、删除、成员查询、前驱后继、最小值最大值等操作）的回顾性审计问题。集合由不可信方维护，被动审计者（auditor）仅需存储 5 个机器字和 1 个标志位，并在每次操作时接收一个常量大小的公开 tally 记录。审计阶段，维护者披露声称的活跃空区间（live vacant intervals）。方法的核心是利用最大间隙（maximal gaps）表示顺序语义：间隙有出生、引用、消费、时间戳等状态，同时两个隐藏域累加器分别对出生账本和消费账本进行相等性测试。诚实执行以概率 1 被接受；若包含 T 次操作的会话中存在错误回答，接受概率至多为 (4T+1)/p（p 为秘密域元素大小，对计算能力无限制的维护者有效）。论文证明确定性或可见硬币审计器需要线性状态，并发现移除时间戳规则会导致精确重放伪造。实现方面，采用叶导向的 (2,4)-树作为维护者数据结构，每个操作最坏情况 O(log n) 时间，每个元素额外存储一个字，且再平衡事件在 m 次更新上具有可审计的 O(m) 包络。检查点审计可通过加法误差组合。本文适合研究可验证计算、数据完整性审计及信任最小化系统的研究人员阅读。

本文研究网络控制系统（NCS）中加密控制器对隐密攻击（covert attacks）的抵抗能力。加密控制通常利用同态加密（HE）将控制器外包给第三方平台（如云服务）以保护数据机密性。近期研究试图通过修改HE方案来同时抵御完整性攻击，但本文证明，公钥HE方案固有的可塑性问题使得仅靠HE无法解决完整性安全问题。因为加密控制所依赖的同态性既可被善用也可被滥用，攻击者即使不知道未加密模型，也能在加密控制实施的情况下成功发动隐密攻击。然而，通过互补技术仍能实现对此类攻击的弹性。文章提出一种基于可验证计算的方法，与现代同态密码系统集成，具有渐进安全性且不增加通信开销。该工作从系统理论角度揭示了加密控制的局限性，并给出了可行的解决方案。适合研究网络物理系统安全、加密计算和自动化控制理论的研究人员和工程师阅读。

本文提出 martFL，一种专为安全、可验证的数据市场设计的联邦学习架构。在数据市场中，数据需求方（DA）需要从多个数据提供方（DP）获取高质量训练数据，但直接交换原始数据存在隐私风险。联邦学习通过交换模型或梯度来传递数据效用，但现有架构存在三个关键挑战：1) DA 无法在交易前私下评估各 DP 提交的本地模型质量；2) 现有聚合协议难以有效排除恶意 DP，同时避免对 DA 可能有偏的根数据集过拟合；3) 缺乏公正的计费机制来按贡献分配奖励。martFL 通过两项创新设计解决上述问题：首先，一个质量感知的模型聚合协议，使 DA 即使在根数据集有偏的情况下，也能从聚合中排除低质量或投毒的本地模型；其次，一个可验证的数据交易协议，使 DA 能够以简洁且零知识的方式证明其已按照承诺的权重忠实地聚合了这些本地模型，从而允许 DP 根据其权重/贡献明确索取奖励。作者实现了 martFL 原型，并在多种任务上进行了广泛评估。结果表明，martFL 可将模型准确率提升高达 25%，同时节省高达 64% 的数据获取成本。该工作适用于联邦学习、数据市场、隐私计算等方向的研究者和工程师。