Differenzielle Privatheit
Differenzielle Privatheit ist ein mathematischer Rahmen zur Veröffentlichung statistischer Informationen über einen Datensatz, während strenge Garantien gegeben werden, dass einzelne Datensätze nicht identifiziert oder abgeleitet werden können. Eingeführt von Cynthia Dwork im Jahr 2006, formalisiert sie Privatheit als probabilistische Grenze: Die An- oder Abwesenheit eines einzelnen Individuums im Datensatz ändert die Ausgabeverteilung um höchstens einen multiplikativen Faktor von e^ε, wobei ε die Privatsphärebudget ist, das den Kompromiss zwischen Privatsphäre und Nutzbarkeit steuert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/de/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.
- Föderiertes LernenDatenschutz↔ compare
- k-Anonymität: Schutz der Privatsphäre von Individuen in veröffentlichten DatenDatenschutz↔ compare
- Synthetische Datengenerierung zur OffenlegungssteuerungDatenschutz↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →