隐私计算(Privacy compute 或Privacy computing)是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的;在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。
隐私计算是面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私度量、隐私泄漏代价、隐私保护与隐私分析复杂性的可计算模型与公理化系统。
数据要素只有在安全、高效的流通中才能充分发挥价值。过去，数据持有方出于数据安全、隐私保护等考虑，导致“数据高墙”林立。现在，隐私计算的兴起正令这一局面发生改变，可信联邦学习应运而生。
隐私计算是一种由两个或多个参与方联合计算的技术和系统。参与方在不泄露各自数据的前提下通过协作对数据进行联合机器学习和分析。隐私计算可实现“数据可用不可见”“数据不动模型动”，具备打破数据孤岛、加强隐私保护、强化数据安全合规性的能力，有望成为数据安全与隐私保护的“最优解”。(遥歌)
