11.2 隐私保护技术：联邦学习、差分隐私、同态加密
在人工智能系统，尤其是处理个人数据、医疗记录、金融信息等敏感数据的系统中，隐私保护已从伦理要求演变为法律红线和技术基石。传统的“数据集中处理”模式因其固有的隐私泄露风险，难以满足《通用数据保护条例》等法规的要求。本章节将深入解析联邦学习、差分隐私、同态加密三大核心技术，它们共同构成了现代AI系统实现“数据可用不可见”目标的支柱。
一、核心理念全景
在深入技术细节前，我们通过下表对三大技术的核心思想、实现路径及适用场景进行系统性概览，以建立整体认知框架：
| 技术维度 | 联邦学习 | 差分隐私 | 同态加密 |
|---|---|---|---|
| 核心哲学 | “数据不动模型动”：模型去数据所在地进行训练，原始数据永不离开本地。 | “用噪声掩盖个体”：在数据或结果中加入精心设计的随机噪声，使得任何单一记录的存在与否无法被统计学方法推断。 | “加密域内直接计算”：对加密数据进行运算，解密后的结果与对明文进行同样运算的结果一致。 |
| 保护对象 | 原始数据：数据物理上分散，避免集中化泄露风险。 | 查询结果：保护数据集中任意单个样本的隐私。 | 计算过程：确保计算方在处理全程无法获知数据明文。 |
| 关键方法 | 分布式模型训练、安全聚合。 | 添加随机噪声（拉普拉斯/高斯机制）、隐私预算管理。 | 基于数学困难问题（如RLWE）的加密算法。 |
| 主要优势 | 打破数据孤岛，实现合规的联合建模；保护数据所有权。 | 提供可量化、可证明的数学隐私保证，抵抗任意背景知识攻击。 | 提供最高等级的计算过程机密性，结果精确无偏差。 |
| 主要局限 | 通信成本高；对异构数据和恶意参与方敏感；仍需防范逆向攻击。 | 噪声会降低数据效用（ |
