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。

本文介绍了MPC钱包和多签钱包的原理及其在区块链中的应用。MPC钱包通过将私钥拆分为多个碎片来增强安全性，避免单点风险；多签钱包则要求多个私钥签名才能执行交易。MPC钱包灵活且隐私性强，适合个人用户；多签钱包透明性高，适合企业。文章还讨论了这两种钱包的创建、使用及安全防范措施。

MPC-BE是一款免费的多功能视频播放器，支持多种格式（如MP4、AVI），界面美观、易用，启动迅速且占用资源少。它允许自定义外观和快捷键，功能强大，适合不同用户需求。

本文介绍了FlexLLM系统，通过协同服务优化大型语言模型的推理和微调，降低GPU内存开销并提高效率。同时，研究了大型语言模型的安全性，提出隐私保护语言模型以保护数据隐私，并探讨了低延迟推断框架和容错推理算法，以提升用户交互体验和系统吞吐量。

本文介绍了HumanoidBench人形机器人学习基准，旨在加速人形机器人算法研究。研究表明，分层学习在多项任务中优于传统强化学习。文章还提出了一种基于物理的控制器，能够在复杂环境中实现高保真度的运动模仿，并展示了机器人在真实世界中模仿人类动作的能力。

通过引入 Dropout MPC 算法，采用蒙特卡洛 dropout 技术对学习到的系统模型进行采样，建立了一种基于模型的神经控制方法，适用于具有复杂动力学且存在不确定性的系统，并可以估计未来的不确定性，从而实现更可靠和谨慎的控制。

本文探讨了机器学习在城市道路自动驾驶中的应用，提出了PLATO和ConstrainedZero等算法，旨在优化路径规划并确保安全性。这些算法在动态环境中有效平衡安全与效率，提升学习速度和策略收敛性，适用于多种实际场景。

本文介绍了多种优化技术以提升Transformer模型的性能与效率，包括SecFormer框架、ZeroQuant后训练量化、混合精度补偿和量化感知训练。这些方法在保持模型精度的同时，实现了显著的模型压缩和推理速度提升。

本文探讨了基于深度学习的模型预测控制（MPC）方法，提出了自适应机制以应对不确定性，并通过神经网络实现快速在线计算。研究表明，非线性稀疏变分贝叶斯学习在动态系统中有效，确保了稳定性和约束条件的可行性。此外，强化学习在非线性模型预测控制中表现出良好的性能平衡，验证了其实际应用的有效性。

本文探讨了通过贝叶斯优化和机器学习改进模型预测控制（MPC）中的参数调整，以提升闭环性能和安全性。研究提出了自适应优化的MPC方案，利用统计工具和深度学习技术，确保控制器在复杂任务中的鲁棒性和效率。实验结果表明，该方法在安全性和性能上表现优异。

本文提出了一种基于“随机模型预测控制器”的方法来应对电力和热需求的不确定性。通过采用高斯过程构建历史数据的需求预测模型，并使用情景法进行多步需求轨迹抽样，验证了该方法在模拟能源中心模型和真实建筑需求数据上的性能优势。

如今，组织在收集、存储敏感的个人信息以及在外部环境（例如云​​）中处理、共享个人信息时， 越来越关注数据安全。这是遵守隐私法规的强需求：例如美国加利福尼亚州消费者隐私法 (CCPA)、欧盟通用数据保护条例 (GDPR) 和世界各地的其他新兴法规，以及中国的《数安法》《个保法》等，都对安全处理敏感数据提出了要求。

随着数字化和大数据分析技术的快速发展，对多方数据的需求也越来越多，例如对个人信用风险进行评估，就需要联合多个属性特征进行联合统计分析。个人征信过程中需要采集的信息包括个人身份、住址、职业等基本信息，个人贷款、贷记卡、准贷记卡、担保等信用活动中形成的个人信贷交易记录，以及反映个人信用状况的其他信息，基本涵盖了个人生活的方方面面。各家征信机构如果想要自己推出的信用体系实现精准信用评估，经受住市场...