今年早些時候，我們解釋了Google計劃如何使用群組聯合學習（Federated Learning of Cohorts，FLoC）技術來防止個人追蹤，同時仍然為你提供關聯性強的廣告。 然而，就在一個多月前，它宣布推遲這一舉措，部分原因是該公司收到了大量的反對聲音。

也就是說，大型科技組織仍在為保護隱私的數據收集方法投入大量精力。 現在，Facebook透露了更多關於它計劃如何使用隱私增強技術（PETs）來推動下一代數位廣告的細節。

Facebook表示，它正在使用基於密碼學和統計學的技術來實現PETs，使其能夠減少數據處理量，同時保留你的隱私、廣告準確性和個人化偏好。 該公司描述了它在PETs工作中正在測試的三種方法。

第一種是安全的多方計算（MPC），它允許多個組織處理部分用戶數據，然後相互分享見解。 這基本上意味著沒有任何一方可以持有完整的用戶數據，因此了解它們的可能性會減少。 這方面的一個例子是，一個組織持有你所看到的廣告資訊，而另一個組織則看到你所購買的資訊。 MPC將確保這兩個利益相關者獲得他們所需要的數據，而不會獲得你的全部數據。 Facebook正在使用一個名為Private Lift Measurement的解決方案，基於其在GitHub上的開源框架進行MPC工作，預計明年將向廣告商提供這一解決方案。

接下來是設備上的機器學習，確保演算法在個人設備範圍內學習，而不把數據發送到任何外部身份、雲或遠端伺服器。 這項技術仍在評估中，如果成功的話，Facebook希望它能隨著時間的推移而改進。

最後，Facebook計劃引入差異化的隱私設定，實際上是對現有PET的一種補充。 該公司將其描述為：

差別化隱私的工作原理是將精心計算的”噪音”加入數據集。 例如，如果有118人在點擊廣告后購買了一個產品，差分隱私系統將從這個數位中增加或減少一個隨機量。 因此，使用該系統的人看到的不是118，而是120或114這樣的數位。

添加這一小段隨機的不正確資訊，就很難知道誰在點擊廣告后真正購買了產品，即使有很多其他數據也無法將跟蹤繼續下去。 因此，這種技術經常被用於為公共研究而發佈的大型數據集。

Facebook強調這些都是長期的努力，它將定期分享更多關於其進展的資訊。