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.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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.
- Fødereret læringPrivatlivsbeskyttelse↔ compare
- k-Anonymitet: Beskyttelse af individuel privatliv i frigivne dataPrivatlivsbeskyttelse↔ compare
- Syntetisk datagenerering til kontrol af oplysningerPrivatlivsbeskyttelse↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →