PrimiHub一款由密码学专家团队打造的开源隐私计算平台，专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。

贫困是全世界都在面对的一个终极问题，每个国家都有自己的政策，也有自己的创新和尝试，本文将通过荷兰的尝试，来看看隐私计算技术在其中如何发挥作用？

虽然荷兰属于传统北欧发达国家，但是贫富差距依然存在，生活在贫困线以下的公民数量不断增加，根据荷兰计划局（CPB）的计算，到2024年，5.8%的人口将位于贫困线以下。

为了有针对性地解决贫困问题，政府的资助必须要触到真正需要帮助的人群。而这里，技术就可以在其中发挥作用。TNO正在与荷兰政府合作，开发可以在贫困减少方面以负责任且安全的方式做出贡献的技术。接下来将通过13个问题来详细解释这些隐私计算技术和工作原理。

回答问题的是TNO的高级顾问Freek Bomhof，他专门从事数据的安全流通和共享。

1. 技术如何帮助政府减少贫困？

为了适当地帮助公民，政府首先必须对经济问题的人们有一个清晰的了解。这种洞察力来自于能够将多个机构的数据进行组合。技术可以在其中发挥作用。使用技术，我们可以从数据中获得洞察力，而不必自己查看数据。这使我们能够在不侵犯隐私的情况下积极地帮助人们。

2. 我们如何知道谁需要帮助？

我们通过组合来自多个数据源的洞察力来了解这一点。如果有人只有医疗保险债务，这不一定会立即造成问题。但当公用事业费无法支付并且债务开始积累时就需要帮助。如果某人在多个机构有债务并且收入低，那个人很可能需要帮助。

3. 机构是否可以彼此共享我的数据？

共享个人数据必须始终有所谓的“法律依据”。但即使存在这样的法律依据，数据共享也应该非常小心地进行。毕竟，我们正在处理潜在的高度敏感的个人数据。隐私增强技术（PETs）确保不能使用数据进行的操作超出法律允许的范围。非法出售数据，只是“随便查看”荷兰某个知名公民的个人数据，或进行与打击贫困无关的附加分析？使用PETs时，这些都是不可能的。

4. 政府如何在尊重隐私的情况下看到谁需要帮助？

通过使用隐私增强技术。使用此技术，机构不会以可读形式共享数据。他们只会共享预先商定的联合计算在这些数据上的结果。通过从不同组织中结合和丰富此类计算的结果，产生了新的洞察力。通过这种方式，获得了谁需要帮助的洞察力。

5. 这些减贫隐私计算技术已经经过测试了吗？

是的，不仅如此；它们似乎效果非常好。例如，在我们与UWV和SVB进行的一个试点项目中，我们看到了这一点，以帮助那些没有获得完整国家养老金的人。此外，这些都是已经在许多领域中使用的经过验证的技术，不仅用于减少贫困。

6. 哪些隐私计算技术可以帮助政府减少贫困？

这些是隐私增强技术（PETs），是一个统称，涵盖了允许组织在不侵犯人们隐私的情况下使用彼此数据的各种技术。其中主要包括：多方计算（MPC）;联邦学习（FL）;合成数据生成我们将在下面解释这些技术。

• 多方计算
  您可以将MPC视为一个数字“工具箱”，里面装满了密码学技术。这些加密技术允许多个参与方共同计算数据，就像他们有一个共享的数据库一样。由于此加密，各方永远无法看到彼此的数据。

• 联邦学习
  当组织使用机器学习进行合作研究时，通常有一个集中的数据库存储所有数据。多亏了联邦学习，这已不再需要，这意味着数据不会再泄漏。数据不会被发送到“机器学习”模型进行计算。相反，联邦学习将模型带到数据中。因此，对模型的培训被分解为在组织中本地执行的部分计算。之后，只有模型“学习”的洞察力与其他组织共享，而不是隐私敏感的数据本身。

• 合成数据
  合成数据是通过首先从个人数据创建模型，然后用于生成新的模拟数据。因此，使用的是无法再追溯到个人的数据。这对于测试和建立系统特别有用。使用合成数据时，您不需要原始的、敏感的个人数据仍然能够确定您的数据分析是否正常运行且可靠。

原文地址：Poverty reduction with privacy technology: the 13 most pressing questions
翻译 & 整理：开放隐私计算 & PrimiHub