Machine learningPrivacy-preserving analysis

Διαφορική Ιδιωτικότητα

Η διαφορική ιδιωτικότητα είναι ένα μαθηματικό πλαίσιο για την έκδοση στατιστικών πληροφοριών σχετικά με ένα σύνολο δεδομένων, παρέχοντας ταυτόχρονα αυστηρές εγγυήσεις ότι μεμονωμένες εγγραφές δεν μπορούν να ταυτοποιηθούν ή να συναχθούν. Παρουσιάστηκε από την Cynthia Dwork το 2006, τυποποιεί την ιδιωτικότητα ως πιθανοτικό όριο: η παρουσία ή απουσία οποιουδήποτε μεμονωμένου ατόμου στο σύνολο δεδομένων αλλάζει την κατανομή εξόδου κατά έναν πολλαπλασιαστικό παράγοντα το πολύ e^ε, όπου ε είναι ο προϋπολογισμός ιδιωτικότητας που ελέγχει την ανταλλαγή ιδιωτικότητας-χρησιμότητας.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Πηγές

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

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/el/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

Αναφέρεται από

ScholarGateDifferential Privacy (Differential Privacy). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/privacy/differential-privacy · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026