Differentiële Privacy
Differentiële privacy is een wiskundig raamwerk voor het publiceren van statistische informatie over een dataset, terwijl rigoureuze garanties worden geboden dat individuele records niet kunnen worden geïdentificeerd of afgeleid. Geïntroduceerd door Cynthia Dwork in 2006, formaliseert het privacy als een probabilistische grens: de aanwezigheid of afwezigheid van een enkele persoon in de dataset verandert de outputverdeling met hoogstens een multiplicatieve factor van e^ε, waarbij ε de privacy-begroting is die de afweging tussen privacy en nut regelt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/nl/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-Anonymiteit: Bescherming van Individuele Privacy in Gepubliceerde DataPrivacy↔ compare
- Synthetische data-generatie voor disclosure controlPrivacy↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →