我们在2021年举行的为期一天的NeurIPS研讨会重点关注大规模数据分析中的隐私保护机器学习技术，包括分布式和集中式设置，以及强调这些技术的重要性和需要的场景(例如，通过隐私攻击)。机器学习(ML)社区对利用加密技术(如多方计算(MPC)和同态加密(HE)在训练和推理期间的安全计算，以及差分隐私(DP)来限制训练模型本身的隐私风险)越来越感兴趣。我们鼓励理论和面向应用的提交探索以下列出的一系列方法。

• 保护隐私的机器学习
• 差异隐私：理论、应用和实现
• 隐私的统计和信息理论概念，包括DP放松

• 不同隐私概念的实证和理论比较
• 保护隐私的数据共享、匿名化和合成数据的隐私
• 隐私攻击
• 联邦和分散隐私保护算法
• 数据隐私的政策制定方面
• 机器学习中的安全多方计算技术
• 学习加密数据，同态加密
• 自治系统中的隐私
• 在线社交网络隐私
• 计算机视觉和自然语言处理任务中的隐私和私人学习
• 用于隐私保护数据分析的编程语言
• 隐私与公平、透明和对抗性稳健性的关系
• 机器解锁和数据删除

#提交说明

以扩展摘要的形式提交的文件长度不得超过4页（不包括参考文献；可能会提交额外的补充材料，但评审员可能会忽略），非匿名，并遵循NeurIPS格式。我们鼓励提交隐私保护机器学习社区的新作品。仅基于先前在机器学习和相关领域会议上发表的作品提交的作品不适用对于工作坊。另一方面，我们允许提交目前正在提交的作品以及最近在隐私和安全场所发布的相关作品。允许在NeurIPS 2021年提交正在审查的作品，但必须在提交时披露。在NeurIPS主要会议上接受的提交可能会被取消优先级在选择口头陈述时。研讨会不会有正式的会议记录，但接受摘要的作者可以选择在研讨会网页上添加到arxiv的链接或pdf。

-提交网址：https://openreview.net/group?id=NeurIPS.cc/2021/Workshop/PRIML

-提交截止日期：2021年9月16日

-验收通知：2021年10月15日

-视频和幻灯片提交截止日期(对于认可的论文): 2021年11月1日

-虚拟研讨会:2021年12月14日，星期二

-网站：https://priml2021.github.io/

#组织者

• Borja Balle（DeepMind）

• 乔瓦尼·切鲁宾（艾伦·图灵研究所）

• Kamalika Chaudhuri(加州大学圣地亚哥分校和脸书人工智能研究)

• Antti Honkela（赫尔辛基大学）

• 乔纳森·勒本索尔德（米拉和麦吉尔大学）

• 凯西·米汉（加州大学圣地亚哥分校）

• Mijung Park（不列颠哥伦比亚大学）

• 王玉祥（加州大学圣巴巴拉分校）

• 阿德里安·韦勒（艾伦·图灵研究所和剑桥大学）

• 朱玉青(加州大学圣巴巴拉分校)