3.2.3 隐私保护
为解决当前数据隐私泄露、滥用和大规模数据带来的计算挑战等问题，需要实现隐私损失与估计精度权衡更优的隐私保护算法，即保证个体用户信息不泄露的同时，尽量避免数据的重要统计信息和模式发生较大偏离。以差分隐私为代表的隐私保护算法是目前国内外学术界与工业界的研究热点。哈佛大学、麻省理工学院等知名高校及苹果、谷歌、阿里巴巴等 IT 公司在理论研究与落地应用中已经取得了显著成果。然而，大部分差分隐私及公平性算法在计算性能上的保证相对较弱。具体来说，由于许多数据规模宏大，传统的多项式时间算法（甚至是线性时间算法）已经不再适用；在有些应用中，数据以流的形式动态出现，给高效分析其性质和结构带来挑战。而现有的差分隐私与公平性算法大多集中在多项式时间算法或静态数据上，这极大限制了这类可信算法的适用范围。另一方面，尽管已有研究发现差分隐私算法与自适应数据分析、鲁棒性算法之间有一定的关联，但对于这种关联性的理解还很初步。例如，我们仍不清楚在什么条件下可以使用差分隐私的算法来设计对抗性鲁棒的数据流算法。
总体来说，算法的发展与计算范式的进步对于人工智能技术的发
展至关重要。亚线性（时间或空间）算法、动态图算法、大规模并行计算等计算模型为高效处理大规模数据提供了新的途径。同时，可信与安全性成为新的计算范式中备受关注的核心问题，鲁棒性、公平性和隐私保护是当前研究的热点方向。填补算法研究与实际应用之间的距离，加强学术界与工业界的合作与交流，培养更多的专业人才，将为人工智能技术的发展和应用带来新的突破。