حریم خصوصی تفاضلی
حریم خصوصی تفاضلی (Differential Privacy) یک چارچوب ریاضی برای انتشار اطلاعات آماری درباره یک مجموعه داده است، در حالی که تضمینهای دقیقی ارائه میدهد که رکوردهای فردی قابل شناسایی یا استنتاج نیستند. این مفهوم که توسط سینتیا دورک در سال ۲۰۰۶ معرفی شد، حریم خصوصی را به عنوان یک کران احتمالی رسمی میکند: حضور یا عدم حضور هر فرد در مجموعه داده، توزیع خروجی را حداکثر به اندازه یک عامل ضربی e^ε تغییر میدهد، که در آن ε بودجه حریم خصوصی است که مبادله بین حریم خصوصی و سودمندی را کنترل میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/fa/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.
- یادگیری فدرالحریم خصوصی↔ compare
- ک-ناشناسی: حفاظت از حریم خصوصی فردی در دادههای منتشر شدهحریم خصوصی↔ compare
- تولید دادههای مصنوعی برای کنترل افشای اطلاعاتحریم خصوصی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →