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.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 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.
- Pembelajaran BersekutuPrivasi↔ compare
- k-Anonymiti: Melindungi Privasi Individu dalam Data yang DikeluarkanPrivasi↔ compare
- Penjanaan Data Sintetik untuk Kawalan PendedahanPrivasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →