🔒 隐私计算指南

隐私计算是保障数据隐私与安全的重要技术，主要包含以下核心方法：

1. 联邦学习（Federated Learning）
   通过分布式训练模型，避免数据集中化。

   [了解更多 → /privacy-computing/federated-learning](/privacy-computing/federated-learning)

2. 多方安全计算（Secure Multi-Party Computation）
   多个参与方协同计算结果，保障数据不泄露。

   [技术原理 → /privacy-computing/smc-principles](/privacy-computing/smc-principles)

3. 数据脱敏（Data Anonymization）
   通过加密或模糊化处理原始数据，确保隐私安全。

   [实践案例 → /privacy-computing/anonymization-cases](/privacy-computing/anonymization-cases)

如需深入探讨隐私计算的法律合规框架，可访问 隐私计算与数据保护政策。