了解全同态和半同态加密概念，在加密状态下执行数据分析。
在数据不出本地的前提下协同训练模型，理解 FedAvg 算法。
生成模拟真实分布的合成数据集，解决隐私和稀缺问题。
利用同态加密和多方安全计算实现输入数据加密且模型参数加密下的推理，保护全链路隐私。
在分布在各机构的图数据上训练 GNN，通过联邦学习保护图结构和节点特征的隐私。
深入纵向联邦的隐私实体对齐技术和联邦特征分桶、分箱方法，安全合并多源特征。
将神经网络切分为客户端和服务器两部分，客户端只传中间激活，兼顾隐私与联合训练。
在多个数据源节点上本地进行部分推理，仅交换加密或聚合的中间结果，保护原始数据隐私。
在联邦学习环境中，从全局模型中删除某个参与方数据的影响，同时保持模型聚合的高效性。
利用影响函数或参数空间更新近似删除训练样本的影响，无需完整重训练，兼顾效率与隐私。
通过重训练删除数据后的子模型或基于分片缓存的方式，实现可验证的精确数据遗忘。
学习如何在已训练好的模型上消除特定训练数据点的影响，使其表现如同从未见过这些数据。
响应数据主体的删除请求，从已收集的语料和备份中移除其所有个人数据，满足被遗忘权。
在训练模型时严格限定数据用途与原始收集声明一致，避免将数据用于未授权的新场景。
遵循数据最小化原则，在 AI 项目中仅采集和使用为实现目的所必需的最少量个人数据。
用 NLP 技术自动分析应用的隐私政策文本，检查其条款是否满足 GDPR 或个人信息保护法要求。
将联邦学习应用于大模型微调，利用本地数据更新并在服务端聚合，实现隐私保护的个性化模型适配。
了解攻击者如何推断某个样本是否在模型的训练集中，以及差分隐私等防御措施对成员推理的缓解。
了解同态加密基本概念及其在机器学习中的应用，学习如何在不解密数据的情况下进行模型推理或训练。
学习纵向联邦学习架构，处理多个机构拥有相同样本但不同特征的数据，通过加密实体对齐和联邦特征工程协同训练。
学习如何在联邦学习框架下应用迁移学习，解决参与方数据特征空间或标签空间不同的问题，实现知识的安全共享。
了解安全多方计算基本协议，学习如何在多个参与方不泄露各自私有数据的前提下共同完成函数计算。
保护患者健康信息的隐私和安全标准，适用于医疗保健 IT。
梳理 PIPL 对数据收集、存储和跨境传输的要求。
为美国加州用户提供不销售数据和删除个人信息的选项。
探讨技术人员需遵守的道德规范与基本法律常识。
理解零知识证明基本原理，了解其在区块链身份验证中的应用。
使用 GPG 工具生成 PGP 密钥，加密和签名电子邮件内容。
在日志输出前过滤或替换密码、手机号、身份证等敏感字段，防止泄露。
对手机号、身份证等敏感数据在展示和存储时进行脱敏处理，满足隐私合规。