Multi-Party-Computation (MPC) ermöglicht es mehreren Parteien, gemeinsam eine Berechnung auf geheimen Eingabedaten auszuführen, ohne dabei Informationen über diese Daten oder etwaige Zwischenergebnisse preiszugeben. MPC hat zahlreiche Anwendungen. In diesem Projekt liegt der Fokus auf datensicherem maschinellem Lernen (privacy-preserving ML). Eine der größten Herausforderungen liegt in der Steigerung der Effizienz von MPC-Verfahren. Ein erstes Ziel dieses Projektes ist es deshalb, die Effizienz von MPC-Verfahren deutlich zu verbessern, vor allem im Anwendungskontext des datensicheren maschinellen Lernens. Zudem sollen MPC-Verfahren mit weiteren PPC-Technologien, wie Fully Homomorphic Encryption (FHE), Differential Privacy (DP) und Trusted Execution Environments (TEEs), integriert werden, um Synergien zwischen diesen Technologien zu nutzen und diese in einer Cloud-Umgebung, der CRYPTECS PPC-Cloud-Plattform, einfach und effizient für ein weites Anwendungsfeld Nutzern zur Verfügung zu stellen. Die Ergebnisse werden anhand von Fallstudien im Kontext verschiedener ML-Anwendungen evaluiert.