本文系统介绍了机器人机构学的基础概念，包括运动副分类、自由度计算（Kutzbach/Grübler公式）、机械臂结构类型（直角坐标、SCARA、圆柱坐标、球面坐标、拟人式）等核心内容，是ACEE机器人课程的基础知识总结。

本章深入探讨茫然传输（OT）这一基础密码学原语，包括OT的定义与变种、信息论安全OT的不可能性、基于DDH假设的半诚实安全OT构造、恶意安全OT协议以及IKNP茫然传输扩展（OTE）技术，是隐私计算课程的核心内容。

本章引入形式化的密码学安全模型——通用可组合性框架（UC framework），包括半诚实与恶意敌手模型、隐私性与恶意安全性的形式化定义、理想世界与现实世界的对比、UC框架的核心思想与组件等内容，是隐私计算课程的理论核心。

本文系统梳理了机器学习的基本概念、监督/无监督学习、损失函数、经验风险与期望风险、神经网络基础、反向传播算法等核心内容，是 ACEE 人工智能前沿课程的考试复习笔记。

本章通过一个具体的例子介绍具有完美隐私性的通用安全多方计算协议，核心构建模块是Shamir秘密分享方案，包括拉格朗日插值法、秘密重构、隐私性证明以及安全加法和乘法协议等内容，是隐私计算课程的重要实践章节。

本章深入探讨现代密码学的基石——可证明安全（Provable Security）的三大支柱（形式化定义、精确假设、严格证明），介绍符号体系、密码学原语、威胁模型演进等内容，是隐私计算课程的理论基础。

本章概述安全多方计算（Secure Multi-Party Computation, MPC）的基本概念、核心问题、应用场景，介绍秘密分享机制和安全加法/乘法协议的基础构造思想，是隐私计算课程的理论入门。

本文深入探讨了隐语（SecretFlow）框架在金融风控、黑名单对齐、私有信息检索及电信诈骗识别四大真实场景下的应用，通过 HE、PSI、PIR 及联邦学习技术实现数据‘可用不可见’。