示例·實作廣告投放模型的優化。在數字廣告場景，如果廣告主所持有的廣告轉化資料能夠被廣告平台的投放模型所利用去優化廣告投放模型，那麼無疑會提高投放模型的推薦費用。
這種推薦效應一旦得到提升之後，不僅使用者本身的打擾和資訊榮譽可能會大大減少，而且也能提高整體的經濟效益。是以其實具有非常高的應用價值。傳統的技術條件下如果要實作将廣告主所掌握的轉化、資料提供給廣告投放平台去做訓練，可能意味着原文的個人資訊的傳輸，按照個人資訊保護法的要求傳輸構成個人資訊的提供行為，需要使用者的單獨同意。
但是實操當中基于諸多原因的限制，這種同意可能往往并不能夠實作。在隐私計算技術的支援下這種狀況有望得到改變，圖中介紹了一種模式去做這樣的資料處理。計算過程中首先需要在廣告投放平台以及廣告主自己本地的環境當中去部署學習的平台，當然其中包含了原始的廣告投放模型的算法，在計算開始的時候需要雙方各自在本地去輸入自己持有的使用者資訊。
廣告投放平台輸入的是使用者的特征，廣告主可能需要輸入的是曆史使用者的轉化結果，是否在廣告當中完成了轉化技術的支援下，雙方互動的資料可以看到箭頭上的資料，首先是有使用者對齊，基于psi技術去做id的對齊。然後是根據模型所用模型的差異會涉及到泛白點，也就說向量資料的對齊以及梯度模型資料的對齊。
通過這張表來看看具體涉及的資料以及所具有的保障措施，最終來看是否是避免了個人資訊的提供行為？首先來看還是使用者求救的環節。剛才也講到利用了psi技術，保護了非交際使用者的id不被洩露。
當廣告注冊輸入的id本身在有敏感資訊時，比方說講廣告本身可能是特殊人群的用品時，那麼廣告投放平台還要采取全量化辨別輸入的方式去避免被複制廣告注冊的敏感使用者資料集，這個時候去用這種模式來去實作對廣告注冊使用者資料及關聯資訊的保護。
剛才的例子當中，雙方分别有輸入使用者的特征和使用者的轉化結果，也就是說标簽資訊，但是這樣的輸入實際上隻在雙方的本地進行計算，并沒有處于雙方的本地環境。真正發生互動的是下方這裡看到的含量資料和梯度資料在技術上，實際上已經被處理為了有原始資料含義的特征符号。這種特征符号雖然目前并沒有發現能夠被逆向解讀的情形，不論是人工還是機器沒有發現逆向解讀的情形。
但是為了確定符合匿名化的要求，仍然建議采用安全多方計算、查分隐私等技術，對這兩類資料進行保密進行保護，是以用這樣的一個技術方案用這樣的資料保護方式來避免了原始的個人資訊直接從廣告組流動到廣告投放平台。
