frostmelody love & share. In love with moments, in tune with feelings. 记录所爱，分享所感

在这个网络中，数据的所有者可以控制数据的使用权限，数据处理者只能在指定的条件下访问和使用数据，同时保证数据的完整性和机密性。通过加密、脱敏、匿名化等手段，隐私计算能够确保数据在处理过程中不被泄露，同时还能实现数据的共享和分析，为数据的安全共享和流通提供了新的解决方案，也为人工智能、大数据等领域的发展带来了新的机遇。一旦确定了交集，就可以基于这些共享的记录进行更深入的数据融合和分析，例如，可以将共同的用户数据整合在一起，用于建立更全面的用户画像，或者将共同的产品数据组合，以进行更精确的市场分析。

差分隐私目的是保护你的个人信息，即使你的数据被用于分析，也不会泄露你的隐私。差分隐私要求这样的一个属性：无论某个人的记录是否包含在数据库中，查询这个数据库的结果应该不会有太大的不同。如果你从数据库中随机移除一个人的数据，然后再计算平均体重，根据差分隐私的定义，前后两次计算的结果差异应该很小。这种结合能够提升整体系统的隐私保护水平，既保护了数据持有者的隐私，又保证了模型训练的有效性和准确性。差分隐私是一种数学定义的隐私保护技术，旨在保证对数据库进行的查询结果不会泄露任何单个数据项的信息。

赛题介绍方案设计与实现

业务背景：安全核对产生的土壤产品方案：从试点到规模化的路技术共建：与隐语的共同成长

跨域推荐场景的挑战隐语的拆分学习基础架构跨域推荐的全链路解决方案

隐语水平联邦框架介绍隐语垂直联邦框架介绍大模型微调技术联邦大模型现状可信执行环境(Trusted Execution Environment)联邦大模型训练阶段存在的安全问题

为何做SPUSPU简介现状和展望

基于纵向分割数据集训练的决策树模型隐语提供的纵向树模型算法：可证安全算法SS-XGB和纵向联邦算法SGB。

广义线性模型是一种统计模型，可以帮助我们找到数据中的模式。一个广义线性模型有三个关键组件。

隐语提供多种预处理工具来处理这些数据，可以直接使用 DataFrame API 处理数据，或者使用sf.preprocessing 包内的各类预处理组件处理。

【代码】第 0 课：Linux环境安装隐语Secretflow和Secretnote。

Secure Collaborative Query Language：一种多方安全数据分析系统，可以让互不信任的参与方在保护自己数据隐私的前提下，完成多方数据分析任务在原始数据不出域的前提下，通过交换中间数据完成机器学习建模在Ray基础之上所构建的专注于跨机构的分布式计算调度框架https://github.com/ray-project/rayfed （已成为ray的孵化项目）面向跨机构场景，提供单机构内计算任务独立调度和跨机构计算任务协作的能力隐语和其它厂商的平台可以互联互通，共同完成一个

隐私计算三个原则：①原始数据不出域、数据可用不可见②数据可算不可识③数据使用 可控可计量。数据流转链路主要包括：采集、存储、加工、使用、提供、传输。隐私计算需要通过开源降低门槛促进数据安全流通。数据要素外循环是构建数据要素市场的核心。

数据可信流通的政策指导，即数据二十条：建立数据来源可确认、使用范围可界定、流通过程可追溯、安全风险可防范的数据可信流通体系（1）能力预期与不可能三角：安全要求，功能复杂度，单位成本（2）未来多种技术路线并存，安全分级平衡性能成本需求（3）隐语可信隐私计算技术实践，开源共建全栈密态流转支撑能力