本文综述同态加密在隐私保护机器学习中的进展，涵盖MedBlindTuner、多项式变换器、THE-X等框架，可在加密医学图像、文本和CIFAR数据上训练推断，准确率接近非加密模型。

该文综述区块链与隐私保护机器学习结合的多种方案：ModelChain提升跨机构医疗预测建模的隐私与互操作性；ssHealth利用边缘计算和区块链实现疫情监测与数据安全交换；另有研究构建区块链、智能合约与IPFS框架保障联邦学习数据共享的安全公平，并提出去中心化联邦学习平台、基于信任度的差分隐私模型、多方计算安全联邦学习及物联网医疗隐私保护等方案。

该文汇总多项研究，涵盖在线持续学习、隐私安全与系统优化：提出基于kNN与预训练特征的在线持续学习算法以减少灾难性遗忘并适应数据流变化；RobOCLe利用富化特征空间提升少样本在线持续学习鲁棒性；提出内存受限在线持续学习问题及批级蒸馏方案；探讨云数据安全的信息流控制方法；提出安全四方隐私保护机器学习协议；ACPO框架用机器学习优化LLVM编译；DeepC2利用社交网络进行隐蔽通信；提出构造紧密置信区间的变分框架；研究深度强化学习去中心化任务卸载；以及用CnC技术检测分布外数据。

研究人员通过隐私分析和计算工具改进了目标扰动机制，使其在凸广义线性问题上与差分隐私随机梯度下降（DP-SGD）具有竞争力。