ScholarGate
Assistent
Machine learningPrivacy-preserving analysis

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.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

Bronnen

  1. 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.

Compare side by side

Geciteerd door

ScholarGateDifferential Privacy (Differential Privacy). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/privacy/differential-privacy · Gegevensset: https://doi.org/10.5281/zenodo.20539026