北大、蚂蚁三个维度解构高效隐私保护机器学习：前沿进展+发展方向

主要观点总结

本文介绍了北京大学人工智能研究院和集成电路学院的领导者李萌及其团队在高效安全计算实验室的最新研究成果。文章重点介绍了他们关于隐私保护机器学习（PPML）的综述，该综述从协议、模型和系统三个层面进行了详细讨论，并提出了跨层级的协同优化方案。文中还提到了李萌团队近年来在相关领域的研究工作，并给出了论文题目及完整作者列表。

关键观点总结

关键观点1: 领导者介绍和项目背景

项目领导者李萌，介绍了他的职业背景和研究兴趣，包括在美国Facebook公司的经历和在高效安全计算实验室的工作。

关键观点2: 隐私保护机器学习的重要性

在AI时代，数据隐私的重要性日益突出，如何在保护用户数据的同时高效运行机器学习模型成为学术界和工业界的共同关注点。

关键观点3: 综述的主要内容和结构

综述从协议、模型和系统三个层面梳理了PPML领域的优化维度，提出了跨层级的协同优化方案，并详细讨论了每个层级的挑战和机遇。

关键观点4: 协议层级的优化挑战和方案

虽然密码学协议为数据隐私保护提供了严格的安全保证，但其应用于人工智能计算仍面临巨大开销。文中指出了当前协议设计的主要痛点，并给出了基于OT和HE的协议设计和发展脉络。

关键观点5: 模型和系统层级的优化

文中系统地归纳了当前PPML领域的模型层优化策略，包括线性层、非线性层的优化方案。同时，也指出了系统层级优化的重要性，并讨论了编译器和GPU设计的优化路径。

关键观点6: 综述的总结和讨论

综述强调了跨层级协同优化的重要性，并提出了未来的研究方向，包括协议、模型、系统的协同优化，以及面向大模型和边缘设备的隐私计算方案。