摘要：
差分隐私方法是隐私保护机器学习中常用的方法之一，具有严格的数学定义和完备的理论结果。联邦学习和迁移学习是目前主流的两种深度学习的范式，在数据不能出域和数据资源有限的情况下有良好的表现。但单独的联邦学习和迁移学习本身只能解决数据所有权的问题并不能解决数据隐私保护的需求。联邦学习和迁移学习和隐私保护方法的结合是新数据应用场景下日趋主流的计算范式。本报告分别就差分隐私在纵向联邦学习和迁移学习中的隐私保护的探索进行探索，并给出隐私性和可用性的理论证明，相关的文章分别被 IJCAI’22 和 WWW’22 所接收。
报告人简介：
吴慧雯，博士，2019 年毕业于加州大学尔湾分校数学系；2020-2022 年于蚂蚁集团担任高级算法工程师，从事隐私计算算法研究和开发；2022 年加入之江实验室担任高级研究专员，主要研究领域是隐私保护机器学习方法，随机优化方法和随机矩阵理论。
