林立可

隐私计算概念及应用介绍隐私计算的核心理念是：**”数据可用不可见，数据不动模型动。“**通过隐私计算技术，打通数据孤岛，释放数据价值，为政府，企业，个人带来便利。按照目前的市场技术，隐私计算技术主要有三个方向：联邦学习，安全多方计算和可信计算。（差分隐私作为一种数据处理方式也纳入其中）1，联邦学习联邦学习是一种分布式机器学习技术和系统，包括两个或多个参与方，这些参与方通过安全的算法协议进行联合机器学习，可以在各方数据不出本地的情况下，通过交换中间数据的形式，联合建模和提供模型推理与预测服务。而且这

联邦学习0，联邦学习概念联邦学习是使得多方在不共享本地数据的前提下，进行多方协同训练的机器学习方式。因此，他在实现功能的同时，能够很好的保护数据隐私。目前联邦学习支持的算法：SecureBoost，线性回归，逻辑回归，神经网络算法等。1，特点数据绝对掌握：每一个参与方数据都不离开本地，模型信息在各参与方之间以加密的形式传输，且保证不能由模型推测出原始数据；参与方不稳定：不同参与方在计算能力、通信稳定性方面存在差异，导致联邦学习相对于分布式机器学习存在不稳定情况；通信代价高：参与方不稳定造成通信代