ScholarGate
Asisten
Machine learningPrivacy-preserving analysis

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.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

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

Sumber

  1. 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.

Compare side by side

Dirujuk oleh

ScholarGateDifferential Privacy (Differential Privacy). Diakses 2026-06-15 dari https://scholargate.app/id/privacy/differential-privacy · Set data: https://doi.org/10.5281/zenodo.20539026