隐私工程师
岗位摘要
设计和原型化可在OpenAI规模部署的隐私保护机器学习算法（例如差分隐私、安全聚合、联邦学习）；衡量并增强模型对隐私攻击（如成员推理、模型反转和数据记忆泄露）的鲁棒性，在实用性与可证明的保证之间取得平衡
登录后保留你的岗位线索
邮箱登录后可继续查看完整职责、任职要求和原岗位入口，并使用收藏与浏览记录沉淀适合自己的机会。
岗位职责
- 设计和原型化可在OpenAI规模部署的隐私保护机器学习算法（例如差分隐私、安全聚合、联邦学习）
- 衡量并增强模型对隐私攻击（如成员推理、模型反转和数据记忆泄露）的鲁棒性，在实用性与可证明的保证之间取得平衡
- 开发内部库、评估套件和文档，使工程和研究团队能够使用尖端的隐私技术
- 深入研究大型模型的隐私与性能权衡，发布见解以指导模型训练和产品安全决策
- 定义并编纂隐私标准、威胁模型和审计程序，以指导整个机器学习生命周期——从数据集管理到部署后监控
- 与安全、政策、产品和法律部门合作，将不断变化的监管要求转化为实用的技术保障和工具
任职要求
- 拥有隐私增强技术的实践研究或生产经验
- 精通现代深度学习框架（PyTorch/JAX），并能将前沿论文转化为可靠、经过良好测试的代码
- 乐于对模型进行压力测试——探测其是否存在私有数据泄露——并能清晰地向非专家解释复杂的攻击向量
- 拥有发表（或实施）新颖的隐私或安全工作的记录，并乐于弥合学术界与现实世界系统之间的差距
- 在快节奏、跨学科的环境中茁壮成长，能够在开放式研究和紧迫截止日期下交付生产功能之间切换
福利待遇
- 提供搬迁援助
登录后查看完整岗位详情
使用邮箱验证码登录后，可查看完整职责、任职要求、原岗位入口，并继续使用收藏和浏览记录。列表摘要保持公开，完整详情用于保护数据质量和降低恶意抓取。