今年早些时候，我们解释了Google计划如何使用群组联合学习（Federated Learning of Cohorts，FLoC）技术来防止个人追踪，同时仍然为你提供关联性强的广告。然而，就在一个多月前，它宣布推迟这一举措，部分原因是该公司收到了大量的反对声音。
也就是说，大型科技组织仍在为保护隐私的数据收集方法投入大量精力。现在，Facebook透露了更多关于它计划如何使用隐私增强技术（PETs）来推动下一代数字广告的细节。
Facebook表示，它正在使用基于密码学和统计学的技术来实现PETs，使其能够减少数据处理量，同时保留你的隐私、广告准确性和个性化偏好。该公司描述了它在PETs工作中正在测试的三种方法。
第一种是安全的多方计算（MPC），它允许多个组织处理部分用户数据，然后相互分享见解。这基本上意味着没有任何一方可以持有完整的用户数据，因此了解它们的可能性会减少。这方面的一个例子是，一个组织持有你所看到的广告信息，而另一个组织则看到你所购买的信息。MPC将确保这两个利益相关者获得他们所需要的数据，而不会获得你的全部数据。Facebook正在使用一个名为Private Lift Measurement的解决方案，基于其在GitHub上的开源框架进行MPC工作，预计明年将向广告商提供这一解决方案。
接下来是设备上的机器学习，确保算法在个人设备范围内学习，而不把数据发送到任何外部身份、云或远程服务器。这项技术仍在评估中，如果成功的话，Facebook希望它能随着时间的推移而改进。
最后，Facebook计划引入差异化的隐私设定，实际上是对现有PET的一种补充。该公司将其描述为：
差别化隐私的工作原理是将精心计算的"噪音"加入数据集。例如，如果有118人在点击广告后购买了一个产品，差分隐私系统将从这个数字中增加或减少一个随机量。因此，使用该系统的人看到的不是118，而是120或114这样的数字。
添加这一小段随机的不正确信息，就很难知道谁在点击广告后真正购买了产品，即使有很多其他数据也无法将跟踪继续下去。因此，这种技术经常被用于为公共研究而发布的大型数据集。
Facebook强调这些都是长期的努力，它将定期分享更多关于其进展的信息。
（举报）
