1联邦学习旨在利用去中 心化的数据源训练一个中心化的联邦模型，并且 在训练的过程中保证原始数据的隐私安全。联邦学习仍面临四个挑战：高昂的通信成本、系统异质性、数据异质性以及数据安全。联邦学习面临的主要攻击包括机密性攻击、正直性攻击和可用性攻击。诚实但好奇攻击者主要针对机密性攻击，而恶意攻击者则针对正直性攻击和可用性攻击。...

中华人民共和国数据安全法》第四十五条规定：开展数据处理活动的组织、个人不履行本法第二十七条、第二十九条、第三十条规定的数据安全保护义务的，由有关主管部门责令改正，给予警告，可以并处五万元以上五十万元以下罚款，对直接负责的主管人员和其他直接责任人员可以处一万元以上十万元以下罚款；《中华人民共和国数据安全法》第二十七条：开展数据处理活动应当依照法律、法规的规定，建立健全全流程数据安全管理制度，组织开展

第六十二条本市在城市治理中全面推进人工智能场景应用，围绕社区治理、公共安全、交通管理、应急管理、市场监管、生态环境保护、规划建设以及建筑玻璃幕墙管理等领域，深化人工智能全面应用，提升城市整体运行和决策效率，提高公共卫生等突发事件预防和应急处置能力。第六十五条市人民政府及有关部门应当针对人工智能新技术、新产业、新业态、新模式，顺应人工智能快速迭代的特点，制定、修改或者废止相应的监管规则和标准，探索分

最后，将用户客户端上的用户embedding上传到学习服务器，用于提供个性化服务。这篇文章的主要工作是提出了FedPerGNN框架，这是一个致力于推荐系统隐私保护的个性化联邦学习框架，旨在通过以隐私保护的方式利用高阶交互信息，在去中心化的用户数据上联合训练GNN模型。无数的研究成果充分证明图神经网络应用于推荐系统上的优越性，以联邦学习为代表的隐私计算技术体系正在快速建立并广泛应用于中心化的模型训练

在数据隐私保护法律（如中国的《数据安全法》和《个人信息保护法》以及欧盟的 GDPR 等）日趋完善的大环境下，如何在合法合规的前提下为数据孤岛搭建平台桥梁是一个亟需解决的问题。安全多方学习是指基于安全多方计算实现的隐私保护机器学习的方法和框架，已有一批框架已经开源。本文调研了 FudanMPL, Primihub, 隐语，EzPC，MP-SPDZ 以及 Piranha 六个目前国内外主流的开源安全多

文章来源：BDI数聚观导读：近日，中央全面深化改革委员会第二十六次会议审议通过了《关于构建数据基础制度更好发挥数据要素作用的意见》。会议强调，数据基础制度建设事关国家发展和安全大局，要维护国家数据安全，保护个人信息和商业秘密，促进数据高效流通使用、赋能实体经济，统筹推进数据产权、流通交易、收益分配、安全治理，加快构建数据基础制度体系。数据作为全新生产要素，其独特性决定了只有实现安全可信流通，才能充

在这其中，密码学技术是隐私计算领域一个重要的方向，一些高级的密码学技术如安全多方计算 (secure multi-party computation, MPC)、同态加密 (homomorphic encryption, HE)、零知识证明 (zero-knowledge proof, ZKP) 等分别具有独特的、可证明安全的隐私保护特性，其纷纷在隐私计算领域发挥出各自的作用和优势。，及时填补了国

分享嘉宾：洪澄 阿里巴巴资深安全专家 主要从事密码学、隐私保护计算相关技术研究，带领团队在EuroCrypt、S&P(Oakland)、USENIX’SEC、SIGMOD、SIGKDD、VLDB等顶级学术会议和期刊上发表论文30余篇，获iDASH国际基因隐私计算大赛一等奖，牵头负责了安全多方计算国际标准IEEE P2842的撰写工作。导读：很多人都说过在隐私计算中要做到可证明安全。那什么是可证明安

包含基础隐私计算平台功能、Sentieon分析功能，开发配套功能模块包含：多中心生物样本库共享平台、多中心临床科研管理系统、中央随机化系统、文档管理系统、随访管理系统、生物信息分析系统、数据采集系统、数据治理系统、数据挖掘系统、数据脱敏系统、安全沙箱系统、数据加密系统。在合同履行期限内提供《隐私计算平台测试方案》、《隐私计算平台测试用例》、《隐私计算平台测试报告》。文件获取时间: 2022-09-

隐私计算平台可防止未经授权的访问，数据协作方需要事先约定数据的使用用途和使用条件，隐私计算平台可实现对数据用法用量的细粒度管控，在获得数据提供方授权的前提下，数据使用方才可以开展数据协同作业，整个过程中原始数据不出本地数据库。具体而言，隐私计算作为一种技术手段，通过隐私计算平台的工程化落地实践，满足了一些场景的应用落地需求。同时，还需要强调的是，隐私计算技术也不可过度应用，对于列入“无条件开放”属