UP简历小U

+86 138-0000-0000|xiaou@upjianli.com|上海

个人总结

资深隐私计算协议合规专家，专注于利用TEE架构、多方安全计算（MPC）及联邦学习等技术，在保障数据隐私和合规性的前提下，实现跨机构数据融合与价值挖掘。具备丰富的金融、政务领域项目经验，成功部署跨行信用评分系统，将风险预测准确率提升<strong>18%</strong>，有效解决数据孤岛痛点。熟悉国内外数据隐私法规，致力于构建安全、高效的数据合作生态。

工作经历

隐私计算解决方案架构师

某头部金融科技公司

2020-07 - 2024-05

主导设计并实施基于TEE (可信执行环境) 架构的跨行信用评分系统，解决多机构数据融合中的隐私保护难题。通过安全多方计算协议与零知识证明技术，确保原始数据不出域，成功将风险预测准确率提升18%，年度坏账率降低5%，为公司带来千万级收益。
负责隐私计算产品（包括联邦学习、MPC、TEE平台）的合规性评估、技术选型与架构设计，确保产品符合GDPR、CCPA、国内数据安全法等法规要求，并通过国家信息安全等级保护三级认证。
深度参与多方安全计算（MPC）协议的研发与优化，降低计算开销25%，提升了数据联合分析的效率与实用性。
提供隐私计算技术咨询与培训，支持业务团队拓展金融、政务等领域客户，累计服务5家大型银行与3个政府部门。
构建并维护安全多方数据共享平台，实现了10+核心业务场景的数据安全流通与价值挖掘，保障数据全生命周期安全。

项目经历

基于联邦学习的智能风控平台

内部研发项目

2022-03 - 2023-09

项目背景：针对传统风控模型在数据孤岛下表现不佳的问题，探索利用联邦学习技术实现多源数据联合建模，提升风控能力。
个人职责：项目负责人，负责联邦学习算法选型（如FedAvg、FedProx）、模型训练框架设计与隐私保护策略（如差分隐私）集成。
关键行动：
- 设计并实现基于TensorFlow Federated的联邦学习训练框架，支持多方数据联合建模，确保模型训练过程中原始数据不泄露。
- 引入同态加密技术对模型参数进行安全聚合，进一步增强隐私保护能力。
- 制定并执行严格的数据脱敏与匿名化策略，确保数据处理流程符合合规要求。
- 与银行数据团队协作，完成数据接口对接与模型部署，进行多轮效果验证与优化。
项目成果：
- 成功构建金融级联邦学习风控模型，在不共享原始数据的前提下，模型预测准确率相比单边模型提升12%。
- 实现了跨机构数据安全融合，为信用卡审批和贷款逾期预测提供了更精准的决策支持。
- 获得公司“年度技术创新奖”，为公司在隐私计算领域的竞争力奠定基础。