第六批“可信隐私计算评测”结果发布，吉利数科位列其中

7月13日，工信部中国信通院、隐私计算联盟主办的2022隐私计算大会在京举行。大会正式发布了信通院第六批“可信隐私计算评测”结果，吉利数科、蚂蚁链、银联、京东科技等34家头部企业的相关隐私计算平台共同获颁“可信隐私计算”评测证书。

中国信通院第六批“可信隐私计算评测”评审会于7月1日举行，吉利数科联邦学习平台参与了“联邦学习 基础能力专项评测”，接受对平台的调度管理能力，数据处理能力，算法实现，效果及性能以及安全性、稳定性、可扩展性的严格测试。经过线上测评、产品资料审核、测试报告审核、答辩、质询与答疑、

集中评议等多个环节后，吉利数科联邦学习平台顺利通过评测。

中国信通院“可信隐私计算评测”体系自 2018 年起逐步构建，是目前国内隐私计算领域最早、最全、广受行业认可的评测体系。中国信通院有关负责人介绍，经过4年的发展，“可信隐私计算评测”已成为隐私计算领域权威的第三方评测品牌，为隐私计算行业的发展做出了重要贡献，成为供给侧产品研发和需求侧采购选型的风向标。

随着数据成为新型生产要素，数据交易、协同模式不断更新，对数据安全提出了更高要求。隐私计算是由两方或者多方联合计算的技术系统，参与方在不泄露各自数据的前提下，通过协作，对数据进行联合学习和联合分析，并保证计算结果可被验证。隐私计算兼顾数据应用和安全，逐渐广泛应用在企业、政府等主体的丰富场景中。

与此同时，基于联邦学习的隐私计算平台逐渐成为主流。联邦学习（Federated Learning）本质是一种分布式机器学习框架，可以在保障数据隐私安全及合法合规的基础上，实现数据共享、共同建模，让数据“可用不可见”，破解数据孤岛瓶颈。

吉利数科自主研发的联邦学习平台基于机器学习、深度学习算法和加密协议开发，数据无需离开本地，将模型下发到本地服务器进行训练，以很小的数据交换量对模型进行迭代和更新，最终输出联合训练后的算法模型，高效实现和完成多方的联合建模与分析。

联邦学习可分为横向和纵向两种。横向联邦学习主要针对相同特征的样本参与方实现联合建模，适用于业务相似的场景；纵向联邦学习主要针对于样本用户重合度高、特征互补的数据，适用于跨机构数据联合的场景。

以汽车行业为例，大型汽车集团往往拥有多个汽车品牌，品牌间掌握的数据维度类似，但用户重叠度不高，利用横向联邦学习，可以在确保数据隐私安全的前提下有效互通品牌数据，帮助管理层高效决策，优化资源配置及投放。吉利数科正根据吉利丰富的数字资源和应用场景，积极开发和打造联邦学习在汽车行业场景落地。

吉利数科隐私计算团队负责人表示，顺利通过可信隐私计算评测，证明吉利数科在隐私计算领域的技术水平已跻身行业前列。吉利数科将持续迭代和完善包含联邦学习平台在内的隐私计算产品及解决方案，推动在更多应用场景落地，支持更多企业激活数据要素，加速数字化转型。