隐私计算校招拆解：联邦学习、多方安全计算与 TEE

岗位与去向

隐私计算厂商、大行与头部互联网的数据智能团队的隐私计算工程师、密码工程与联邦学习算法岗；金融联合风控与医疗多中心研究是主要落地场景。

知识考点

1. 路线：联邦学习/MPC/TEE 三条路线的信任假设与性能对比。
2. 联邦学习：横向与纵向联邦的区别；FedAvg 流程与非独立同分布问题。
3. 密码原语：秘密分享、不经意传输、同态加密的用途与开销直觉。
4. 攻击面：梯度反演、成员推断攻击的原理与防御（差分隐私/安全聚合）。
5. TEE：SGX/TrustZone 的隔离模型；远程证明为什么是信任根。
6. 合规：个保法「匿名化/去标识化」的技术含义与边界。

面试重点

• 方案题：两家银行想联合建反欺诈模型但数据不能出域，给出技术方案与取舍。
• 原理题：纵向联邦中样本对齐怎么做——PSI 隐私求交的协议流程。
• 判断题：差分隐私的 epsilon 怎么选，加噪对模型效果的影响如何评估。

准备建议

• 用 SecretFlow 或 FATE 跑通一个纵向联邦建模 demo 并记录性能数据。
• 精读 FedAvg 与深度梯度泄露（DLG）两篇论文，能白板推导核心步骤。
• 整理三大路线对比表（信任假设/性能/工程成熟度）作为面试框架。