隱私保護機器學習

Prerequisites:

• 瞭解機器學習原理。
• 具備Python和ML庫（如PyTorch、TensorFlow）的使用經驗。
• 熟悉數據隱私或網絡安全概念者優先。

受衆

• AI研究人員。
• 數據保護與隱私合規團隊。
• 在受監管行業工作的安全工程師。

Overview:

隱私保護機器學習是一個專注於在分散或受限環境中保護敏感數據的同時，仍能實現先進AI能力的領域。

本課程由講師主導，提供線上或線下培訓，面向希望在實際機器學習管道中實施和評估聯邦學習、安全多方計算、同態加密和差分隱私等技術的專業人士。

通過本培訓，學員將能夠：

• 理解並比較ML中的關鍵隱私保護技術。
• 使用開源框架實施聯邦學習系統。
• 應用差分隱私進行安全的數據共享和模型訓練。
• 使用加密和安全計算技術保護模型輸入和輸出。

課程形式

• 互動講座與討論。
• 大量練習與實踐。
• 在即時實驗室環境中進行動手操作。

課程定製選項

• 如需定製本課程，請聯繫我們安排。

Course Outline:

隱私保護ML簡介

• 敏感數據環境中的動機與風險。
• 隱私保護ML技術概述。
• 威脅模型與法規考量（如GDPR、HIPAA）。

聯邦學習

• 聯邦學習的概念與架構。
• 客戶端-服務器同步與聚合。
• 使用PySyft和Flower進行實施。

差分隱私

• 差分隱私的數學原理。
• 在數據查詢和模型訓練中應用DP。
• 使用Opacus和TensorFlow Privacy。

安全多方計算（SMPC）

• SMPC協議與應用場景。
• 基於加密與祕密共享的方法。
• 使用CrypTen或PySyft進行安全計算工作流。

同態加密

• 完全與部分同態加密。
• 敏感工作負載的加密推理。
• 使用TenSEAL和Microsoft SEAL進行實踐。

應用與行業案例研究

• 醫療隱私：用於醫學AI的聯邦學習。
• 金融中的安全協作：風險模型與合規性。
• 國防與政府用例。

總結與下一步