Machine learningPrivacy-preserving analysis
차분 프라이버시
차분 프라이버시는 데이터셋에 대한 통계 정보를 공개하면서 개별 기록을 식별하거나 추론할 수 없다는 엄격한 보장을 제공하는 수학적 프레임워크입니다. 2006년 신시아 드워크(Cynthia Dwork)가 소개한 이 프레임워크는 프라이버시를 확률적 경계로 형식화합니다. 즉, 데이터셋에 특정 개인이 포함되거나 포함되지 않음으로써 출력 분포가 최대 e^ε의 곱셈 인자만큼만 변경되며, 여기서 ε는 프라이버시-유틸리티 절충을 제어하는 프라이버시 예산입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/ko/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 →