Differensielt personvern
Differensielt personvern er et matematisk rammeverk for å frigjøre statistisk informasjon om et datasett, samtidig som det gir strenge garantier for at individuelle oppføringer ikke kan identifiseres eller utledes. Introdusert av Cynthia Dwork i 2006, formaliserer det personvern som en sannsynlighetsgrense: enhver enkelt persons tilstedeværelse eller fravær i datasettet endrer utgangsfordelingen med en multiplikativ faktor på høyst e^ε, der ε er personvernbudsjettet som kontrollerer avveiningen mellom personvern og nytte.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/no/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.
- Føderert læringPersonvern↔ compare
- k-Anonymitet: Beskyttelse av individuell personvern i utgitte dataPersonvern↔ compare
- Syntetisk datagenerering for kontroll av opplysningerPersonvern↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →