联邦学习、水平联邦学习

开源可信隐私计算框架“隐语 SecretFlow”，支持安全多方计算、联邦学习、同态加密等等主流隐私计算技术，融合产学研生态共创能力，目前已在金融/医疗/保险/政务等多个行业应用实践，以期汇聚多方形成技术合力，推动隐私计算技术行业可持续发展。将分享隐私计算领域最新动态、技术干货、学习资源与行业实践～代码开源：隐语SecretFlow: SecretFlow是一个用于保护隐私的数据智能和机器学习的统

隐语”是开源的可信隐私计算框架，内置 MPC、TEE、同态等多种密态计算虚拟设备供灵活选择，提供丰富的联邦学习算法和差分隐私机制开源项目国际机器学习大会（International Conference on Machine Learning，简称 ICML）是机器学习领域最重要和最有影响力的学术会议之一，ICML 2024 于当地时间7月21日至7月27日正在奥地利维也纳召开。

为了对单方两个集合求交的性能有个参考，我们使用了大模型来生成千万规模集合求的代码。整体的框架：首先产生两个随机数据集，然后利用编程语言的特性进行求交，最后输出运行时间和求交结果。当数据规模达到 1677 万时，求交所需时间大约为 5～10s。请注意，这些代码是通过大模型产生的，仅代表了一般的情况。我们以这个运行时间作为参考值，以便与后面介绍的 PSI 算法的运行时间进行对比。​我们特定 2^24

隐语”是开源的可信隐私计算框架，内置 MPC、TEE、同态等多种密态计算虚拟设备供灵活选择，提供丰富的联邦学习算法和差分隐私机制开源项目：NeurIPS（ Conference on Neural Information Processing Systems）是人工智能领域的顶级会议之一，每年吸引全球众多学者和研究人员参与。NeurIPS 2024 将于当地时间 2024 年 12 月 9 日至

隐私信息检索(Private information retrieval PIR)也称为隐匿查询或匿踪查询，在医疗、股票、金融、社交等领域中都有大量应用场景。近年来PIR技术研究逐渐丰富，行业对应用PIR实现隐私保护的呼声也随之高涨。

隐私计算是多种技术的统称，目的是为了让多个数据拥有者，在不暴露数据本身的前提下，实现数据的共享、互通、计算、建模，最终产生超出自身数据的价值，同时保证数据不泄露给其他参与方。相比传统数据安全的方式，这里面的隐私计算是完全依赖技术手段的，从根源上切断对人的信任。实现参与方之间的可用不可见，在运作过程中它是可以防备参与方之间会存在攻击的情况。推进数据的安全和不泄露隐私，保护数据价值和用户的隐私。二、隐

隐私计算技术，隐私求交（PSI）及其应用场景

PIR 全称为 Private Information Retrival，直观的翻译名字为“私有信息检索”。

隐私计算技术，隐私求交（PSI）及其应用场景