安全多方计算
Parent: ai_keywords
安全多方计算（Secure Multi-Party Computation, MPC）
【核心定义】
安全多方计算是一种密码学协议，允许n个参与方各自持有私有数据，在互不泄露自身输入的前提下，共同完成某个函数的计算，并仅获取约定的输出结果。其核心目标是在去中心化环境中实现数据可用但不可见，兼顾计算的正确性与隐私安全性。
【关键技术点】
- 混淆电路（Garbled Circuits）：基于布尔电路的非交互式方案。发送方将计算逻辑编码为加密电路，接收方通过不经意传输获取与自身输入对应的密钥，最终解密得到输出，过程中双方皆不知对方输入。
- 秘密共享（Secret Sharing）：将秘密值拆分为多个份额分发给不同参与方。任何单一份额无意义，只有达到阈值数量的份额联合才能重构秘密；各方在份额上执行加乘等运算，最终聚合得到结果。
- 不经意传输（Oblivious Transfer）：发送方持有若干消息，接收方选择其一获取，但发送方不知接收方选择了哪个；常作为混淆电路中的基础构建模块。
- 同态加密（Homomorphic Encryption）：允许直接对密文进行代数运算，结果解密后等同于对明文执行相同运算。虽计算开销较高，但可减少协议轮次。
【医学/神经科学应用场景】
跨机构阿尔茨海默病早期诊断协作（首都医科大学神经病学）： 首都医科大学附属多家医院各自拥有大量患者的结构/功能MRI及认知量表数据。为训练高精度机器学习模型（如预测轻度认知障碍向痴呆转化的风险），传统方式需汇集数据，但面临患者隐私法规（如HIPAA、中国《个人信息保护法》）限制。利用安全多方计算，各医院可在本地对影像特征和临床指标进行秘密共享，通过并行混合协议（如混淆电路+秘密共享）共同训练一个逻辑回归或随机森林模型，仅输出最终模型参数或风险评分。此过程确保了患者脑影像、基因检测结果等敏感信息绝不离开本院，同时实现了多中心协同建模，显著提升了神经退行性疾病诊断模型的泛化能力与临床决策支持价值。
