隐私增强技术：从差分隐私到联邦学习的工程实践

隐私增强技术：从差分隐私到联邦学习的工程实践

隐私增强技术（PETs）让数据处理和隐私保护从互斥变成了可兼得。三种核心PET：差分隐私——在查询结果中添加经过数学证明的噪声，使攻击者无法推断任何个体是否在数据集中。Apple和Google在收集用户统计数据时使用差分隐私，设置ε（隐私预算）在1-8之间——ε越小隐私保护越强，但数据可用性越低。

联邦学习——模型训练数据不离开本地设备，只传输加密的梯度更新到中心服务器聚合。医疗和金融行业用它实现跨机构协作而不共享原始数据。同态加密——允许在加密数据上直接进行计算，计算结果解密后与在原始数据上的计算结果一致。但计算开销极大（慢1000-10000倍），目前仅适用于低复杂度运算。实施建议：差分隐私是最容易落地的PET——有成熟的库（Google DP Library、OpenDP）可用；联邦学习适合已有分布式数据采集的场景；同态加密等待硬件加速成熟。