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。