ScholarGate
Pembantu
Machine learningPrivacy-preserving analysis

Privasi Pembezaan

Privasi pembezaan ialah rangka kerja matematik untuk mengeluarkan maklumat statistik tentang satu set data sambil memberikan jaminan yang ketat bahawa rekod individu tidak boleh dikenal pasti atau disimpulkan. Diperkenalkan oleh Cynthia Dwork pada tahun 2006, ia memformalkan privasi sebagai had kebarangkalian: kehadiran atau ketiadaan mana-mana individu tunggal dalam set data mengubah taburan output paling banyak sebanyak faktor multiplikatif e^ε, di mana ε ialah belanjawan privasi yang mengawal perdagangan privasi–utiliti.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log 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 memetik halaman ini

ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/ms/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). Dicapai 2026-06-15 daripada https://scholargate.app/ms/privacy/differential-privacy · Set data: https://doi.org/10.5281/zenodo.20539026