名称：基于区块链和智能合约的分布式基因药物相互作用数据共享

目标：该项目的目标是在区块链网络上开发智能合约，以分布式方式共享基因-药物相互作用数据。

实验环境：给定一组基因 - 药物相互作用结果数据，设计时间/空间有效的数据结构和基于以太坊Solidity共享（即存储和检索）数据的机制。

名称：使用同态加密的安全基因型插补

目标：该项目目标是开发基于同态加密（HE）的方法，用于执行基因型插补。

实验环境：给定具有缺失条目的变体- 基因型数据集，设计用于输入缺失条目的有效且准确的同态加密方法。

名称：在SGX上提供保护数据隐私的机器学习服务

目标：可信的执行环境（TEE，例如，英特尔的SGX）提供了一种理想的基础设施，用于托管保护隐私的机器学习服务，其中机器学习模型和输入数据都可以受到保护。

实验环境：我们将提供测试数据集以及训练好的深度学习模型。每个团队都面临着在SGX下实施该模型的挑战。为此目的，团队可以优化模型并对其进行调整，使其可以在系统中工作，只要其准确性得到很大程度的保护并且隐私得到充分保护（侧信道泄漏除外）。测试数据集将用于评估实施的模型。解决方案可以利用系统外的计算资源，包括CPU，内存和硬盘，只要所有数据和模型都受到完全保护（加密）。提交的解决方案不能涉及任何添加方。预计算时间将作为性能开销的一部分进行测量。

名称：机器学习模型的安全协同训练

目标：训练机器学习模型通常需要大量数据。然而，由于隐私问题，数据所有者通常不愿意共享他们的数据（例如，来自人类受试者的基因组数据），即使他们也希望建立更好的训练模型。因此，允许两个或更多所有者使用诸如安全多方计算（SMC）之类的安全计算协议来构建联合机器学习模型变得非常重要。此任务旨在了解在构建支持安全协作的机器学习模型时可实现的安全多方计算实施的效率。

实验环境：我们将提供两个测试数据集，每个参与团队将提交一个通用训练算法的实现，以便每个测试数据集可用于训练模型。我们将提供直接训练数据的ML模型作为基准。该解决方案不需要使用与基准相同的模型，但它应该具有相似的性能。