提出了一种用于隐私保护机器学习的安全四方协议和框架，在广泛使用的四种机器学习算法上进行了应用，并在离线 - online 模式下操作。实验结果表明，在 LAN 和 WAN 环境下，与现有方法相比，该框架在训练和预测阶段的效果提高了 187 倍和 158 倍。
Dec, 2019
本文提出了一种结合差分隐私和安全多方计算的联邦学习方法，在保证训练和最终模型的隐私性的同时，也能够保持较高的预测准确率，这个系统不仅能应用于多种机器学习模型的训练，而且在实验上验证了它的优越性。
Dec, 2018
为了解决隐私泄漏等问题，我们提出了一种用于联邦学习的高效多私钥安全聚合方案，使用修饰版 ElGamal 加密技术实现同态加法操作，加密性能高，同时能够保证数据的安全性，具有容错性。
Jun, 2023
该论文提出了一个在混淆模型下更高效的隐私安全的聚合协议，可以使得通信量和误差只呈对数级增长，并且采用了一个称为 ' 隐身斗篷 ' 的新技术来实现此目的，该技术可以使得每个数据项与噪声几乎不可区分，同时对总和不会造成任何扭曲。
Jun, 2019
本文提出了针对垂直分割数据的异步联邦学习算法 AFSGD-VP 及其 SVRG 和 SAGA 变体，并在强凸条件下提供了收敛性分析。实验结果验证了本算法的理论结果，并表明我们的算法比相应的同步算法效率高得多，并且具有模型隐私保护。
Aug, 2020
本研究旨在在垂直联合学习设置下构建大规模安全的梯度树提升模型，并从多个方面保证数据隐私，包括采用安全的多方计算技术、分布式存储输出模型以最小化信息泄露，以及提供一种新的算法用于在分布式模型上进行安全的梯度树提升模型预测。通过提出安全置换协议，我们可以提高训练效率并使框架扩展到大型数据集。在公共数据集和真实世界数据集上进行了广泛的实验，结果表明，我们提出的 XGB 模型不仅具有竞争性的准确性，而且具有实用性能。
May, 2020
本文研究了使用局部敏感哈希的 GBDT 在水平联邦学习中的训练，证明了其安全性并且可以显著提高预测准确性。
Nov, 2019
本文介绍了一种称为联邦学习的新机器学习方法，并使用多方计算来实现 FL 模型的隐私保护模型聚合，以实现在 IoT 智能制造平台中利用各自数据集进行联合训练的效果。
SCOTCH 是一种分散式多方安全計算架構，可以在分散式學習上實現強隱私保護且具有低通信開銷以及良好的性能，通过在神经网络上实现有效的差分隐私，同时可以在 MNIST 和 ExtendedMNIST（数字）数据集上分别实现 96.57% 和 98.40% 的准确率。
Jan, 2022
BEAS 是第一个基于区块链的 N-party Federated Learning 框架，使用梯度剪枝技术提供严格的隐私保障，减少了数据投毒和模型投毒攻击，并采用一种新的协议来防止异构学习环境下的早期收敛。在多个数据集上进行了广泛的实验，显示出与集中式框架相似的准确性和线性的通信和计算成本。
Feb, 2022