长期从事大数据隐私保护领域研究工作，基于差分隐私、联邦学习、多方安全计算等技术，构建覆盖敏感数据采集、传输、分析全生命周期的隐私保护体系，实现数据二十条中“原始数据不出域，数据可用不可见”目标。

-------------------------------------------------------------------------------

一、可信人工智能

受法律法规、隐私限制等因素，各机构（如电网、银行等）的原始数据难以直接共享，从而形成数据孤岛现象。为突破这一壁垒并充分释放数据潜在价值，联邦学习作为一种分布式协作框架发挥了重要作用。在联邦学习中，参与方仅共享训练模型的中间结果（如模型参数、梯度等非敏感信息），避免了原始数据泄露风险，又实现了多方数据的知识融合与价值提炼。这种"数据不动模型动"的机制，在保障数据安全与隐私合规的前提下，构建了跨机构协同建模的有效路径，为医疗、金融、能源等领域的数据共享与智能升级提供了技术支撑。

-------------------------------------------------------------------------------

二、大数据隐私保护

如今智能设备、移动终端、和物联网等应用普及率迅猛上升，针对海量数据的收集、存储、交换、分析计算也已成为一件相对普遍的事情。然而大数据中常常包含有个人敏感信息，如年薪收入、家庭住址和医疗诊断等。在对用户个人数据进行采集存储的过程中，稍不留意就容易发生用户数据泄露事件。因此还需采取相应措施保障用户数据采集分析时的隐私安全。

-------------------------------------------------------------------------------

三、低空数据安全

随着低空技术的蓬勃发展和日益普及，无人机被广泛部署于如农业监测、紧急救援、物流配送等多个业务领域，同时也使得对环境信息的捕获、收集和分析变得更加高效。采集信息涵盖了从地理位置坐标、地形地貌特征到人群活动模式、个人行为轨迹等众多方面，为各行各业提供了宝贵的数据支持。但这些数据中也潜藏着不容忽视的隐私泄露风险。无论是无人机的飞行轨迹还是捕获的环境信息，都可能携带着大量敏感数据，如无人机的具体位置、行人信息等，还需采取措施保障低空数据的隐私安全。