什么是隐私计算？

一、什么是隐私计算？

隐私计算是在保护数据隐私的前提下让多方数据共同参与计算的技术体系，核心特征是数据可用不可见，其核心构成包括联邦学习、同态加密与差分隐私，解决的是数据不能集中存放时仍需联合建模的问题，并不解决数据本身质量不高与参与方互不完全信任带来的风险问题。

二、隐私计算实现的方式有哪些？

隐私计算实现方式有：

 1、联邦学习（Federated Learning），多个参与方（如医院、银行）在本地保留数据，仅上传模型参数（而非原始数据）进行联合训练。

 2、同态加密（Homomorphic Encryption），允许直接对加密数据进行计算，结果解密后与明文计算一致。应用案例：用户加密上传医疗数据，云端直接计算疾病风险评分后返回结果。

 3、差分隐私（Differential Privacy），在数据中注入噪声，使单个记录的变动不影响整体统计结果。应用案例：公开统计数据时添加噪声，防止通过数据反推个体身份。