Privacy Differenziale
La privacy differenziale è un framework matematico per il rilascio di informazioni statistiche su un dataset, fornendo al contempo garanzie rigorose che i singoli record non possano essere identificati o inferiti. Introdotta da Cynthia Dwork nel 2006, formalizza la privacy come un limite probabilistico: la presenza o assenza di un singolo individuo nel dataset modifica la distribuzione di output al massimo per un fattore moltiplicativo di e^ε, dove ε è il "budget di privacy" che controlla il tradeoff privacy-utilità.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/it/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.
- Federated LearningPrivacy↔ compare
- k-Anonymity: Tutela della privacy individuale nei dati rilasciatiPrivacy↔ compare
- Generazione di Dati Sintetici per il Controllo della DivulgazionePrivacy↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →