Machine learningPrivacy-preserving analysis

محاسبات چندجانبه امن

محاسبات چندجانبه امن (SMPC) پارادایمی رمزنگاری است که به دو یا چند طرف امکان می‌دهد تا تابعی را بر روی ورودی‌های خصوصی خود به طور مشترک محاسبه کنند، بدون اینکه آن ورودی‌ها را از یکدیگر فاش کنند. SMPC که در سال ۱۹۸۲ توسط اندرو یائو از طریق ساختار مدارهای درهم‌پیچیده (garbled-circuit) بنیان‌گذاری شد، تضمین‌های حریم خصوصی قابل اثباتی را ارائه می‌دهد که بر فرضیات سختی محاسباتی استوار است. این روش، تحلیل داده‌های حفظ حریم خصوصی مدرن را پشتیبانی می‌کند و امکان محاسبه مشارکتی بر روی مجموعه داده‌های حساس در امور مالی، بهداشت و درمان و یادگیری ماشین را فراهم می‌آورد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

The neighbourhood of related methods — select a node to explore.

منابع

  1. Yao, A. C. (1982). Protocols for secure computations. 23rd Annual Symposium on Foundations of Computer Science, 160–164. DOI: 10.1109/SFCS.1982.38

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 2). Secure Multi-Party Computation (SMPC). ScholarGate. https://scholargate.app/fa/privacy/secure-multiparty-computation

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

ارجاع‌شده در

ScholarGateSecure Multi-Party Computation (Secure Multi-Party Computation (SMPC)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/privacy/secure-multiparty-computation · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026