http://www.caict.ac.cn/kxyj/qwfb/ztbg/202011/P020201110408006418997.pdf
重点关注数据计算过程和数据计算结果的隐私安全问题
联邦学习是一种分布式机器学习方法，旨在让多个参与方（例如设备或组织）共同训练模型，而无需将其数据汇集在一起。这使得保护数据隐私和安全成为可能，有助于在数据分散的情况下开展机器学习，尤其适用于移动设备等场景。
解决一组互不信任的参与方各自持有秘密数据，协同计算一个既定函数的问题，在保证参与方获得正确计算结果的同时，无法获得计算结果以外的任何信息
通过在基于硬件的可信执行环境 TEE 中执行计算来保护数据应用中的隐私安全的技术
差分隐私（Differential Privacy，DP）是一种保护数据隐私的技术，通过在算法或查询中添加一定的噪声，以保证在保证数据的分析结果的同时，不暴露个人数据的隐私信息。差分隐私可以在数据收集、数据处理、数据发布的各个环节保障数据隐私，同时保持数据的可用性和有效性。
本地差分隐私（Local Differential Privacy，LDP）是在基于不可信第三方的前提下，客户端在本地对数据进行差分隐私保护。
同态加密是一种密码学技术，可以在加密状态下对数据进行计算，且计算结果解密后正好与明文的计算结果一致。