• 基礎設施的參與者可以共享他們的私人資料，而無需將它們透露給其他參與者。
  隱私高效計算集合交集(Set Intersection)，是一個重要的私人資料探勘領域。
  確保資料穩健性並應對可能發生的任意惡意行為，同時保留協定效率，是一個重要的議題。

• 保護隱私的聯繫人跟踪系統和垂直分區資料集的機器學習
  非對稱「隱私集合交集(Private Set Intersection, PSI)」提供了一個跨語言、跨平台的開放原始碼函式庫。
  將協定由傳統基於假設Decisional Diffie-Hellman(DDH)的PSI和PSI-C協定與基於Bloom過濾器的壓縮相結合，有助於減少非對稱設置中的通訊成本。
  函式庫應用案例：

  1. 與現有方法兼容的隱私保護聯絡人跟踪協定，改進了它們的隱私保證。
  2. 垂直分區資料上的隱私保護機器學習。

• 開發生態系統和相關治理框架，以促進完整性保證屬性的發布和驗證。
  為系統制定了用戶主導的需求。例如：減輕金融專業人員在整個職業生涯中與不同服務、雇主和教育機構互動時的行政負擔。

當PSI 協議的性能瓶頸出現的時候，通過將平行計算來加速計算過程成為了一種可行的加速手段。由於對稱加密可以通過 AES-NI 指令集快速完成，在這種情況下平行處理很可能將性能瓶頸從計算過程轉化為通訊過程。

不同PSI 協定的計算複雜度和通訊複雜度是通過非對稱或是對稱密碼原語的使用次數衡量的，通訊複雜度是通過在通道上傳輸的位元數衡量的。在同一類別中的PSI 方案大多數擁有類似的複雜度。樸素哈希方法與伺服器輔助的方法需要對每一個元素執行一次對稱加密操作，基於公鑰的協議需要對每一個元素執行兩次公鑰操作，並且需要發送兩個密文和一個哈希值。