在安全多方计算中，不经意传输（OT）和隐私信息检索（PIR）是关键原语。OT为安全计算协议提供基础，而PIR允许用户在不泄露查询意图的情况下从数据库获取信息。OT的高效实现促进了大规模安全计算，PIR则在隐私保护数据库查询中展现实用性。两者在隐私保护基础设施中具有重要作用。

传统密钥管理存在单点信任风险，秘密共享通过将秘密拆分为多个份额并分发给不同参与方，只有满足特定条件的子集才能恢复秘密。Shamir方案利用多项式插值实现信息论安全，广泛应用于安全多方计算和门限签名等协议。

本研究提出了一种基于可信机器学习模型的新方案，解决了在不可信环境中进行安全计算的挑战。引入的可信能力模型环境（TCME）在隐私与计算效率之间取得平衡，实现了在传统密码解决方案无法实施的情况下的私密推断。研究表明，该方法能够处理经典密码学问题，并为未来的实施指明方向。

该论文探讨了多种安全计算和隐私保护算法与协议，包括三方安全计算协议、差分隐私混洗模型和远程数据隐私保护算法，旨在提升机器学习和深度学习中的计算效率与安全性。同时，研究还涉及同态加密技术及其在多个领域的应用。