Diese Kategorie befasst sich mit Datenschutz-orientierten Methoden im maschinellen Lernen, die sensible Informationen während Training, Inferenz und Einsatz schützen. Dazu zählen Ansätze wie differenzielle Privatsphäre, sichere Mehrparteienberechnung, homomorphe Verschlüsselung und datenschutzfreundliches föderiertes Lernen. Die Forschung untersucht dabei das Spannungsfeld zwischen Modellleistung und Vertraulichkeit der Daten.