เปรียบเทียบวิธี

	การคำนวณแบบหลายฝ่ายที่ปลอดภัย	k-Anonymity: การปกป้องความเป็นส่วนตัวของข้อมูลส่วนบุคคลในการเผยแพร่ข้อมูล
สาขาวิชา	ความเป็นส่วนตัว	ความเป็นส่วนตัว
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1982	2002
ผู้ริเริ่ม	Andrew Yao	Latanya Sweeney
ประเภท	Cryptographic protocol family	Privacy-preserving data transformation
แหล่งต้นตำรับ	Yao, A. C. (1982). Protocols for secure computations. 23rd Annual Symposium on Foundations of Computer Science, 160–164.	Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570.
ชื่อเรียกอื่น	MPC, Multi-Party Computation, Privacy-Preserving Computation, Güvenli Çok Taraflı Hesaplama	k-Anonymization, k-Anonymous Microdata, Quasi-Identifier Suppression Model, k-Anonimlik
ที่เกี่ยวข้อง	3	2
สรุป	Secure Multi-Party Computation (SMPC) is a cryptographic paradigm that enables two or more parties to jointly compute a function over their private inputs without revealing those inputs to one another. Introduced by Andrew Yao in 1982 through his seminal garbled-circuit construction, SMPC provides provable privacy guarantees grounded in computational hardness assumptions. It underpins modern privacy-preserving data analysis, enabling collaborative computation on sensitive datasets in finance, healthcare, and machine learning.	k-Anonymity is a formal privacy model introduced by Latanya Sweeney in 2002 to protect individuals when personal data is released for research or public use. It requires that every record in a published dataset be indistinguishable from at least k−1 other records with respect to a designated set of quasi-identifying attributes — such as age, gender, and ZIP code — preventing re-identification by linking released data to external sources.