数据并行是指共享一个深度神经网络架构和共同的训练目标，用户独立训练本地模型，将梯度提交给服务器，聚合梯度，然后聚合的梯度返回用户，用户更新本地模型参数，反复迭代直至模型收敛。而模型并行是指和服务器维护一个共同模型，用户下载模型参数后对本地数据进行训练，将更新后模型参数上传服务器，服务器更新模型参数，然后用户下载更新后的模型参数，更新本地模型，反复迭代直至达到共同训练目标。数据的流通可以分为个人数据

一个好的前端能够以最小的修改代价和学习代价，来提升AI开发者的代码到达隐私保护级别，能够支持开发者熟悉的语言，例如Python，能够支持ML中常见的api，并更好地与最流行的ML框架(如TensorFlow和PyTorch)保持一致，能够决定在每个部分中使用哪个特定的MPC原语。MPC保证正确性，如果有输出， 输出必须是正确的；好的编译器需要多级的优化，包括传统优化和MPC专用优化，并且要扮演好M

可信隐私计算框架概览