Privasi Diferensial
Privasi diferensial adalah kerangka kerja matematis untuk merilis informasi statistik tentang suatu kumpulan data sambil memberikan jaminan ketat bahwa catatan individu tidak dapat diidentifikasi atau disimpulkan. Diperkenalkan oleh Cynthia Dwork pada tahun 2006, kerangka ini memformalkan privasi sebagai batas probabilistik: keberadaan atau ketidakberadaan individu tunggal dalam kumpulan data mengubah distribusi keluaran paling banyak dengan faktor perkalian e^ε, di mana ε adalah anggaran privasi yang mengontrol keseimbangan privasi–utilitas.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran FederasiPrivasi↔ compare
- k-Anonymitas: Melindungi Privasi Individu dalam Data yang DirilisPrivasi↔ compare
- Generasi Data Sintetis untuk Pengendalian PengungkapanPrivasi↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →