隐私计算(多方安全计算 MPC、同态加密 HE、联邦学习 FL 和差分隐私 DP)等属于 对方法的研究;计算机视觉、自然语言处理属于对具体问题场景的研究。
具体隐私计算的技术细节可以看看我的专栏整理: 联邦学习论文分享 ,在此处不多赘述。
首先二者并不冲突。联邦学习第一个落地的项目是 Gboard,是 Google 针对输入法 Next-word prediction 的研究,从方法上应用隐私计算,从问题上解决 NLP 的一个方面。
其次针对 CV 领域的联邦学习也不胜枚举,如 FedVision: An Online Visual Object Detection Platform Powered by Federated Learning 等。
基于差分隐私 or 本地差分隐私的联邦学习也有许多,下面的答主 @Zhifeng 也聊到了这些研究方向的研究;
从研究要储备的知识上来讲,隐私计算大部分是基于密码学、统计学的研究,发表的论文多在四大会(NDSS,S&P,CCS,USENIX Security),就职岗位对标的是安全部门,例如推出 DataTrust 的阿里云数据中台,腾讯云安全隐私计算、蚂蚁链摩斯等;
而 CV、NLP 领域的研究以及 FL 需要学习深度学习基础知识、PyTorch/TensorFlow 框架等,论文主要是看(ICML,CVPR,ICCV,ACL,EMNLP,NAACL)等,就职岗位对标的是研究院等,例如阿里达摩院、华为诺亚方舟实验室;
就单论研究而言,三者各有所长,在任何领域都有亟待挖掘的方向,研究成果都非常具有想象空间,提问者没给出明确的内容,此处按下不表。
但如果问以后就业的话,那我给大家介绍下“十四五”国家信息化规划中关于这部分的内容。
抽取出其中跟本问题有关的描述,其间内容自行斟酌。
深化公共数据资源开发利用。
建设区域数据共享开放、政企数据融合应用等数据流通共性设施平台。
推动区块链、安全多方计算、联邦学习等技术模式在数据流通中的创新利用。
建设基础网络、数据中心、云、数据、应用等一体协同的安全保障体系。
开展通信网络安全防护,研究完善海量数据汇聚融合的风险识别与防护技术、数据脱敏技术、数据安全合规性评估认证、数据加密保护机制及相关技术检测手段。
强化数据安全保障。
加强数据收集、汇聚、存储、流通、应用等全生命周期的安全管理,建立健全相关技术保障措施。建立数据分类分级管理制度和个人信息保护认证制度,强化数据安全风险评估、监测预警、检测认证和应急处理,加强对重要数据、企业商业秘密和个人信息的保护,规范对未成年人个人信息的使用。强化平台企业数据安全保护责任。
建设立体化智能化社会治安防控体系。
深化公共安全视频图像建设联网,加快图像识别、物联网、大数据、人工智能等信息技术在圈层查控、单元防控、要素管控等治安防控领域中的深度融合应用,加强国门和边境地区防控,提升社会治安防控的整体性、协同性、精准性。
目前针对就业而言,个人认为隐私计算的前景应当是不错。从《数据安全法》、《个人隐私保护法》的落地来看,数据安全、网络安全被提上了国家战略,但是相应的技术适配和研发工作还不完善,目前能做的事情还很多。
基于这个视角判断,今年接了某手机厂研究院的offer去继续研究联邦学习了,主要是横向联邦方面的落地,在真实的数据条件下验证技术的可行性,很巧的是实习时我们组旁边就有做CV、NLP的组,所以日常交流上也很多,技术是相互促进的,即便选择隐私计算方向也需要了解别的领域的技术~
感谢 @折夏夏 的邀请~
本站所有内容均为互联网搜索引擎提供的公开搜索信息,本站不存储任何数据与内容,任何内容与数据均与本站无关,如有需要请联系相关搜索引擎包括但不限于百度,google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有