ScholarGate
Assistent
Machine learningPrivacy-preserving analysis

Differential Privacy

Differential privacy er et matematisk rammeværk til at frigive statistisk information om et datasæt, samtidig med at der gives stringente garantier for, at individuelle optegnelser ikke kan identificeres eller udledes. Introduceret af Cynthia Dwork i 2006, formaliserer det privatliv som en probabilistisk grænse: en enkelt persons tilstedeværelse eller fravær i datasættet ændrer outputfordelingen med højst en multiplikativ faktor på e^ε, hvor ε er privatlivsbudgettet, der styrer afvejningen mellem privatliv og nytteværdi.

Åbn i MethodMindSnartVideoSnartDownload slides

Læs hele metoden

Kun for medlemmer

Log ind med en gratis konto for at læse dette afsnit.

Log ind

Method map

The neighbourhood of related methods — select a node to explore.

Kilder

  1. Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1

Sådan citerer du denne side

ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/da/privacy/differential-privacy

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Refereret af

ScholarGateDifferential Privacy (Differential Privacy). Hentet 2026-06-15 fra https://scholargate.app/da/privacy/differential-privacy · Datasæt: https://doi.org/10.5281/zenodo.20539026