简而言之：许多旨在保护在线隐私的方法都提出了复杂的安全措施来保护敏感数据。我们认为不存储任何敏感数据是保护隐私的最佳方式，因此我们提出了一个“阅后即焚”的在线框架：处理后会立即删除。即使用户数据未标记且未存储，我们的模型也能很好地适应新的样本，并在四个领域自适应基准测试中取得了最佳性能。
背景
疫情让互联网在我们生活中更加无处不在，它带来的诸多好处也带来了一个新的现实：如今，每张照片、每条状态更新和每条推文都永远存储在云端，想要摆脱过去变得极其困难。面对现实吧：你的脸（以及其他数据）就在那里，很难被抹去。
但变革可能正在发生。利用数据驱动算法主动探索用户数据的推荐系统引发了关于隐私权是否应优先于便利性的争论。此外，我们拥有被遗忘权（RTBF），赋予个人要求机构删除其个人数据的权利。
由于机器学习模型使用大量数据，一个值得思考的问题就是，是否有办法保护与这些数据相关的人员的 手机号数据库列表 隐私。我们相信答案是肯定的，而且这为研究人员提供了广阔的探索空间。例如，以下是两种方法：
* 不存储任何用户数据：一种看似有前景但又颇具挑战性的隐私保护范式：构建一个能够很好地适应新样本且无需存储任何用户数据的模型。这可以表述为无监督域自适应 (UDA) 问题（迁移学习的一种特殊形式）：机器学习模型在大量标记数据（“源域”）上进行训练，需要适应客户数据（“目标域”），而目标域可能与源域并不相似（目标域包含不足以进行训练的未标记数据）。
* 仅存储有限的用户数据：最近，已提出了许多尝试在深度学习背景下保护隐私的解决方案，主要集中在联邦学习 (FL)。FL 允许异步更新多个节点，其中敏感数据仅存储在少数特定节点上。