CNCC｜如何解决数据隐私之痛?周靖人博士邀你来看

丁博麟

阿里巴巴达摩院 隐私技术负责人/资深技术专家

于中国人民大学完成数学与应用数学本科学习，后前往香港中文大学和美国伊利诺伊大学香槟分校，分别获得系统工程硕士和计算机科学博士。研究方向包括：数据隐私保护，智能系统（AI4Database，AI4Econ），机器学习算法理论及应用。2018年4月加入阿里巴巴。之前就职于美国微软研究院任研究员。项目成果被授予二十余项技术专利，多项成果直接应用于业界重要软件和服务。研究成果发表于SIGMOD，VLDB，ICDE，KDD，NIPS，ICML，ICLR，CHI等多个领域的顶尖国际会议。

陈雷

香港科技大学计算机科学与工程系 讲席教授，香港科技大学大数据研究所 所长

IEEE Fellow，ACM杰出科学家。1997年于亚洲理工学院计算机科学系获得硕士学位，2005年于滑铁卢大学计算机科学系获得博士学位。

报告题目：高效安全的加密货币支付平台设计

由于加密货币的成功，区块链技术受到学术界和工业界的广泛关注。区块链技术中一些有价值的特性促进了许多应用的产生，例如透明性、不变性、去中心化和拜占庭容错。然而，透明性是一把双刃剑。它在保证区块链安全的同时暴露了用户的隐私，这在很多业务场景中是不能接受的。现有的隐私保护方法存在保护效果差、效率低等问题。并且，这些方法大多是基于UTXO模型设计的，不能在Account模型中使用。在这个报告中，我们会介绍两种隐私保护方法来隐藏发送者身份并混淆交易金额，以及一种基于Account模型的区块链的隐私保护协议。

李雅亮

阿里巴巴达摩院 高级算法专家

阿里巴巴达摩院智能计算实验室的高级算法专家，FederatedScope项目负责人。2017年在纽约州立大学布法罗分校计算机科学与工程系取得博士学位，研究领域包括数据融合、因果推断、自动机器学习、隐私计算。研究成果发表于KDD、ACL、SIGIR、NeurIPS、WWW、TKDE等多个领域的顶尖国际会议与期刊。担任NeurIPS'21、NeurIPS'22、AAAI'22的领域主席，在IJCAI和NeurIPS上三次组织了workshop，在CIKM'22上组织了AnalytiCup比赛，在KDD、AAAI上多次做了Tutorial。获得2022年KDD最佳论文奖。

报告题目：FederatedScope助力联邦学习科研与落地

联邦学习作为一种可提供隐私保护的机器学习算法，已在诸多行业如金融、广告等领域中得到了应用，同时也在更多的新兴课题如科学发现、大模型预训练、物联网等领域中蓬勃发展。为了应对在不同领域中遇到的多种异质性挑战、降低科研与落地的难度，阿里巴巴达摩院研发并开源了新型联邦学习框架FederatedScope。在此次演讲中，我们将详细介绍FederatedScope以及它的诸多功能，期望更好地助力联邦学习新技术的研发与广泛的应用落地。

童咏昕

CCF会员与分部工委副主任

北京航空航天大学计算机学院 教授

CCF杰出讲者、CCF走进高校工作组组长。2014年于香港科技大学获计算机科学与工程学博士学位，主要研究方向包括联邦学习、隐私计算、数据库系统、时空大数据挖掘分析与群体智能等。先后主持国家自然基金重点项目、国家重点研发计划课题等科研项目。共发表学术论文百余篇，曾获中国电子学会自然科学一等奖、首届阿里巴巴达摩院“青橙奖”、VLDB 2014“杰出演示系统奖”和KDD Cup 2020全球冠军。

报告题目：基于安全多方计算的数据联邦技术研究

近年来随着社会治理与疫情防控等新需求的出现，跨部门间的数据孤岛给大数据共享计算带来全新挑战。基于安全多方计算的数据联邦以其“数据不动计算动、数据可用不可见”的共享理念为破解数据孤岛挑战提供了一种新型思路。本报告聚焦于关系型数据与时空数据两种类型，分别阐述数据联邦系统中的查询优化前沿技术。随后介绍本团队所研发的数据联邦开源系统——“虎符”，其已经适配当前各种主流大数据计算平台，并支持多方数据自治下的安全高效协同查询与分析。最后，报告也将对该领域当前挑战和未来发展进行总结展望。

萧小奎

新加坡国立大学计算机学院 副教授

2008年于香港中文大学获计算机科学博士学位，研究方向是数据管理，特别是大数据算法和隐私。获VLDB 2021最佳研究论文奖和2022 ACM SIGMOD研究亮点奖。ACM杰出科学家。

报告题目：基于差分隐私的关系数据合成

在保护隐私的同时提供对敏感数据的访问是大数据时代的一个重要问题。一个有代表性的解决方案是使用合成数据来替代敏感数据，这些合成数据拥有和敏感数据相似的分布但又不会泄露敏感私人信息。在本次报告中，我们将介绍基于差分隐私的关系数据合成，尤其是应用在具有外键约束的多个表格数据上的研究工作。