从联邦学习角度聊人工智能隐私

活动详情地址：话题挑战赛第2期
参赛话题地址：人工智能的隐私保护探讨

人工智能是个广泛而火爆的概念，隐私保护是重中之重，效率和隐私仿佛是一对矛盾体，需要找到最佳的平衡点，从我的研究方向出发，联邦学习是一种不需要将个人数据集中的传输到云服务端，可以联合参与用户实现协同训练的一种框架，已经研究了有5个年头了，依然火热，从这个角度来解读人工智能隐私保护。

简述对隐私的理解

个人数据不能被还原或者再对面以明文的形式看到，另一端不能完全的拥有原始数据。

现实遇到的人工智能产品与隐私相关的事

谷歌公司泄露被罚好多钱，以及各种漏洞丢失个人数据和信息，遭到乱用和骚扰。例如在联邦学习中，会强调隐私保护和数据孤岛，数据不离本地，减少了传输中泄露的风险等，最现实的案例，两家医院合作，不用将各医院的病人图像（隐私代表）传递给另一家，这样可以实现研究目的，同时保护了病人的隐私安全。

对于人工智能产品产生的隐私泄露问题， 希望的解决方法和未来法规

解决方法

加密方法的优化和改进
设置超级用户和普通用户权限，分割权限

未来法规

明确隐私级别和应用协议，使用户对于自己的隐私更加安全。

人工智能产品对隐私保护的利弊

好处

扩大了各方的合作，人工智能产品远远超过人的能力，节省大量时间，效果更加丝滑。

缺点

对于一些存储和传输，还存在学习的过程，对于文件有时自动上传到云端，也是一种潜在的风险。

最后的想说的话

隐私是无价的，是一种权利，挖掘更多安全的技术来保护我们的隐私安全。