报告题目：高效差分隐私机器学习的探索 

报告人：赵朴凝

报告时间：2025年6月16日 上午9:00

报告地点：28-414会议室

报告简介：差分隐私(Differential Privacy, DP)是隐私保护的主流方案之一，因其数学定义严格、额外计算和通信开销小等特点受到广泛的关注。然而，差分隐私机制不可避免地带来性能损失，从而阻碍了差分隐私技术的实际部署应用。本次报告讨论差分隐私的基本概念及其在机器学习中的应用，介绍机器学习中部署差分隐私方面近年来的研究进展，包括完整定义的差分隐私和相对弱化的标签差分隐私(Label DP)。本报告将给出差分隐私约束下机器学习的理论分析与实际算法设计，并将讨论未来可能的研究方向。

报告人简介：赵朴凝，中山大学网络空间安全学院副教授、博士生导师，2017年毕业于中国科学技术大学，2021年在美国加州大学戴维斯分校(UC Davis)获得博士学位。曾在腾讯、之江实验室从事机器学习、数据安全与隐私相关研究工作。主要研究方向为可信机器学习、差分隐私，已发表和接收CCF A类期刊和会议论文15篇，其中第一作者12篇，含5篇信息论顶刊IEEE Transactions on Information Theory，1篇信息安全领域顶级会议IEEE S&P，此外还以第一作者发表ICLR亮点(Spotlight)论文1篇。