安全多方计算（MPC）旨在解决互不信任方在不泄露私密数据的情况下进行联合计算的问题。自1982年姚期智提出“百万富翁问题”以来，MPC理论与实践不断发展。文章讨论了MPC的基本定义、经典协议（如GMW、BGW、SPDZ）及其在隐私保护计算和数字资产托管中的应用。MPC的安全性基于理想世界与现实世界的不可区分性，涉及半诚实和恶意模型等多种安全模型。

本研究提出了一种新方法，通过安全多方计算和同态加密技术解决机器学习服务中的隐私问题，评估资源效率与隐私保护的标准。

本文介绍了一种结合差分隐私和安全多方计算的联邦学习方法ProxyFL，旨在保护隐私并提高预测准确率。研究探讨了基于自然语言的分类、预训练模型及无监督学习等新方法，并在多个数据集上验证了其优越性。提出的Fed-PLT算法有效减少通信轮次，同时保持准确性，展示了联邦学习在隐私保护和效率上的新进展。

本文介绍了一种结合差分隐私和安全多方计算的联邦学习方法，旨在确保训练和模型的隐私，同时保持高预测准确率。研究提出了多种隐私保护技术，包括基于分布式差分隐私的联合学习、端到端工作流程及隐私保护双蒸馏框架，并在多个数据集上验证了其有效性和优越性。

PrivatEyes是一种基于联邦学习和安全多方计算的凝视估算训练方法，保证个人凝视数据的隐私性。评估结果显示，隐私性改善不会影响准确性或增加计算成本。

PV4FAD是一种新型解决方案，结合了全同态加密、安全多方计算、差分隐私和随机化技术，以平衡隐私和准确性，并防止模型部署时的推理攻击。