苹果隐私保护机器学习与AI研讨会2026

苹果公司坚信隐私是一项基本人权。随着人工智能能力不断增强并更深入地融入人们的日常生活，推进隐私保护技术的研究以确保用户在享受创新AI体验的同时保护隐私变得愈发重要。

苹果的基础研究一直在该领域推动前沿发展。2026年初，苹果举办了隐私保护机器学习与AI研讨会。这场为期两天的活动汇聚了苹果研究人员和更广泛研究社区的成员，共同探讨隐私保护ML和AI的最新进展，重点关注三个关键领域：私有学习与统计、基础模型与隐私、以及攻击与安全。

研讨会的演讲和讨论探讨了隐私与ML领域的研究进展和开放性问题，包括联邦学习、统计学习、信任模型、攻击、隐私核算以及基础模型带来的独特挑战。这些研究领域将创新建立在严格的隐私和安全评估基础上，连接了理论框架与实际应用。

苹果在博客中分享了精选演讲的录音以及研讨会讨论的论文回顾。特邀演讲包括：Kunal Talwar的“Crypto for DP and DP for Crypto”，多伦多大学Aleksandar Nikolov的“Online Matrix Factorization and Online Query Release”，乔治城大学Elissa Redmiles的“Learning from the People”，以及CISPA的Franziska Boenisch的“Understanding and Mitigating Memorization in Foundation Models”。

研讨会还展示了多篇已发表研究，涵盖自适应方法在隐私设置中的优势、Clip模型中的记忆化与缓解、苹果生态系统中的同态加密、差分隐私持续机制的并发组合、上下文代理安全、训练数据剪枝、扩散模型中的前后景记忆化、高效隐私软提示迁移、隐私损失核算、联邦统计中的差分隐私、扩散模型中的神经元定位、随机鹦鹉群、局部节点差分隐私、自监督学习中的记忆化、移动设备上LLM微调的内存高效反向传播、开放式LLM在私有适应中的必要性、私有分位数估计、模糊上下文中的隐私推理、联邦微调的低秩适应、差分隐私对合成数据的差异化影响、多智能体安全与隐私的沙盒环境、端到端差分隐私合成数据中离散化的影响、基于相似性的隐私指标的不足，以及通过强数据处理不等式研究数据记忆化的权衡。

苹果感谢Vitaly Feldman、Christina Ilvento、Tatsuki Koga、Audra McMillan、Congzheng Song、Kunal Talwar、Andreas Thoma和Jiayue Ye等众多人士对研讨会的贡献。