UP简历小U

+86 138-0000-0000|up.ai.resume@example.com|北京市

资深数据隐私计算专家，专注于联邦学习与多方安全计算技术在政务数据共享及联合风控建模中的应用。具备深厚的算法理论基础与丰富的项目实践经验，擅长设计并实现高效、安全的隐私保护方案，在保障数据安全与合规性的前提下，有效提升数据价值与业务决策能力。致力于推动隐私计算技术在金融、政务等领域的落地与创新。

某头部金融科技公司

2021-07 - 2024-07

主导设计并研发基于联邦学习的多部门联合风控建模平台，支撑跨机构数据安全共享与协同分析。
负责政务数据共享项目中隐私计算方案的架构设计与核心算法实现，确保数据在不同政府部门间安全流通与合规使用，将数据利用率提升了30%。
优化联邦学习算法性能，通过引入差分隐私与同态加密技术，将模型训练效率提升25%，同时满足国家数据安全标准。
与政府部门及金融机构紧密合作，完成联合建模方案的落地与部署，成功将模型预测准确率提高了15%，有效降低了信贷风险。
负责隐私计算产品线的技术选型、框架搭建及关键技术攻关，带领团队完成3个核心模块的开发，确保项目按时高质量交付。

某头部金融科技公司

2022-03 - 2023-06

项目背景：为响应国家大数据战略，解决政务数据“孤岛”问题，实现多部门数据融合应用，同时严格遵守数据隐私保护法规。
个人角色：核心技术负责人，负责隐私计算方案设计与核心算法开发。
关键行动：
- 设计并实现基于联邦学习（Federated Learning）的多方联合建模框架，允许不同政务部门在不暴露原始数据的情况下，共同训练风控模型。
- 引入同态加密与安全多方计算（MPC）技术，确保数据在计算过程中的机密性与完整性，实现加密域上的数据查询与统计分析。
- 开发数据脱敏与差分隐私模块，对共享数据进行扰动处理，在保障个体隐私的同时维持数据的可用性，满足GDPR及国内相关法规要求。
- 与政府大数据局合作，完成技术方案的试点部署与效果验证，成功支持了3个跨部门联合风控试点项目。
项目成果：
- 成功构建安全合规的政务数据共享机制，支持5个以上政府部门的数据安全协同。
- 联合训练的风控模型，其欺诈识别率相比单一部门模型提升了18%。
- 平台处理能力达到每秒1000次数据查询请求，平均响应时间低于100毫秒。
- 获得客户高度认可，并作为行业示范项目进行推广。

清华大学（硕士期间）

2019-09 - 2020-12

项目背景：解决不同交通部门数据孤立，难以进行全局性交通预测的问题，同时保护各部门敏感数据。
个人角色：项目负责人与核心算法开发者。
关键行动：
- 设计并实现一个联邦学习框架，聚合来自不同区域交通监控中心的数据，在本地训练局部模型后上传模型参数，而非原始数据。
- 研发基于TensorFlow Federated的分布式训练算法，实现交通流量预测模型的高效协同训练。
- 引入模型聚合优化策略，有效降低通信开销20%，提升模型收敛速度。
项目成果：
- 交通流量预测准确率提升了12%，有效支撑城市交通管理决策。
- 验证了联邦学习在智慧城市领域应用的可行性与优越性，相关研究成果发表于CCF A类会议。
- 模型训练过程中，数据隐私得到严格保护，未发生任何数据泄露事件。