<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>安全计算 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E5%AE%89%E5%85%A8%E8%AE%A1%E7%AE%97/</link>
    <description>Recent content in 安全计算 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Mon, 29 Sep 2025 20:52:58 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E5%AE%89%E5%85%A8%E8%AE%A1%E7%AE%97/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>可验证一次性程序开启量子互联网新应用</title>
      <link>https://blog.qife122.com/p/%E5%8F%AF%E9%AA%8C%E8%AF%81%E4%B8%80%E6%AC%A1%E6%80%A7%E7%A8%8B%E5%BA%8F%E5%BC%80%E5%90%AF%E9%87%8F%E5%AD%90%E4%BA%92%E8%81%94%E7%BD%91%E6%96%B0%E5%BA%94%E7%94%A8/</link>
      <pubDate>Mon, 29 Sep 2025 20:52:58 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%8F%AF%E9%AA%8C%E8%AF%81%E4%B8%80%E6%AC%A1%E6%80%A7%E7%A8%8B%E5%BA%8F%E5%BC%80%E5%90%AF%E9%87%8F%E5%AD%90%E4%BA%92%E8%81%94%E7%BD%91%E6%96%B0%E5%BA%94%E7%94%A8/</guid>
      <description>&lt;h1 id=&#34;通过可验证一次性程序实现新型量子互联网应用&#34;&gt;通过可验证一次性程序实现新型量子互联网应用&lt;/h1&gt;&#xA;&lt;h2 id=&#34;摘要&#34;&gt;摘要&lt;/h2&gt;&#xA;&lt;p&gt;我们引入了可验证一次性程序（Ver-OTPs），并利用它们构建了单轮开放安全计算（OSC）这一新型密码学原语。该原语支持以下应用场景：&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;单轮密封投标拍卖&lt;/li&gt;&#xA;&lt;li&gt;具备诚实多数的单轮原子提议——共识协议的核心构建模块&lt;/li&gt;&#xA;&lt;li&gt;无需预注册的单轮差分隐私统计聚合&lt;/li&gt;&#xA;&lt;/ol&gt;&#xA;&lt;p&gt;首先，我们基于单量子比特态和经典密码学原语构建了可验证一次性程序。随后，在假设存在具备特定属性的多密钥同态加密方案（MHE）的前提下，我们结合可验证一次性程序与MHE构建了开放安全计算方案。该方案的量子资源需求极低：仅需单量子比特态，同时需要对接收方的量子资源进行硬件假设。因此，我们的工作为量子辅助密码学提供了新框架，该框架可能通过近期量子技术实现。&lt;/p&gt;</description>
    </item>
    <item>
      <title>隐私保护机器学习在XGBoost中的应用挑战</title>
      <link>https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8xgboost%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8%E6%8C%91%E6%88%98/</link>
      <pubDate>Sun, 07 Sep 2025 10:34:49 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8xgboost%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8%E6%8C%91%E6%88%98/</guid>
      <description>&lt;h2 id=&#34;隐私挑战与保护需求&#34;&gt;隐私挑战与保护需求&lt;/h2&gt;&#xA;&lt;p&gt;机器学习(ML)在市场预测、服务个性化、语音人脸识别、自动驾驶、健康诊断、教育和安全分析等广泛应用中日益重要。由于ML触及生活的诸多方面，保护训练数据隐私、机密查询和预测结果变得至关重要。隐私保护及机构知识产权保护推动了隐私保护机器学习(PPML)的研究。PPML的核心目标是在不泄露训练数据集、查询和预测任何不必要信息的情况下执行机器学习。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
