近年来，为强化个人隐私信息保护，国家国家相继颁布了《网络安全法》、《数据安全法》和《个人信息保护法》等法律法规，规范数据的管理和使用。在约束和规范市场的同时，也在某种程度上加剧了企业对于数据流通的合法合规性担忧，数据孤岛现象愈演愈烈，各个行业对用户隐私和数据安全的关注度显著提高。
为此，研究如何在保护隐私和安全的前提下，解决数据孤岛问题实现数据共享需求越来越突出，隐私计算受到极大重视，联邦学习应运而生。
本次Meetup由FATE开源社区和白玉兰开源联合主办，众多社区大力支持，特邀约隐私计算领域的前沿技术专家，畅谈数据智能时代隐私计算的技术及应用价值。

议程安排

• 09:30-09:40 开场致辞
• 09:40-10:20 多角度个性化的本地差分隐私：问题和挑战(朱友文-南京航空航天大学）
• 10:20-11:00 使用Analytics Zoo在Intel SGX上构建隐私保护机器学习（史栋杰-Intel Analytics Zoo）
• 11:00-11:40 高性能联邦学习算法优化实践(马国强-FATE开源社区）

议题介绍

多角度个性化的本地差分隐私：问题和挑战

议题介绍：相对于传统的差分隐私，本地差分隐私（local differential privacy,简称LDP）具有不需要可信中心的优点，但是也面临着诸多新的挑战。这里我们将探讨用户-数值-属性等多角度个性化隐私保护需求对本地化差分隐私模型所带来的问题和挑战，对现有的相关机制进行分类讨论，分析其特点，并给出进一步的研究方向。

朱友文，博导，南京航空航天大学教授、信息安全专业主任，江苏省密码学会理事，《电子与信息学报》青年编委。

使用Analytics Zoo在Intel SGX上构建隐私保护机器学习

史栋杰,英特尔资深软件架构师。多年从事企业级计算、风控、大数据分析、云计算容器编排、数据分析与人工智能领域的研发，英特尔开源框架 BigDL 与 Analytics Zoo 的贡献者之一。

高性能联邦学习算法优化实践

议题介绍：FATE联邦学习开源框架自v1.6版本以来，算法性能和安全性方面进一步增强，本次会议主要介绍FATE联邦学习算法的提升演进之路。

马国强 ，微众银行联邦学习开源系统FATE算法研发负责人；负责FATE联邦学习算法相关规划和核心算法开发联邦学习开源系统FATE算法研发负责人。
曾任职百度金融，参与数据仓库GlobalSearch、百度账号安全风控、右侧知心推荐等项目，具有丰富的机器学习算法实践经验。