Differential Privacy
Differential privacy är ett matematiskt ramverk för att publicera statistisk information om ett dataset samtidigt som det ger rigorösa garantier för att enskilda register inte kan identifieras eller härledas. Det introducerades av Cynthia Dwork år 2006 och formaliserar integritet som en probabilistisk gräns: en enskild individs närvaro eller frånvaro i datasetet ändrar utdatans fördelning med högst en multiplikativ faktor av e^ε, där ε är integritetsbudgeten som styr avvägningen mellan integritet och nytta.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Dwork, C. (2006). Differential privacy. International Colloquium on Automata, Languages and Programming (ICALP), 1–12. DOI: 10.1007/11787006_1 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Differential Privacy. ScholarGate. https://scholargate.app/sv/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.
- Federerad inlärningIntegritetsskydd↔ compare
- k-Anonymitet: Skydd av individuell integritet i publicerad dataIntegritetsskydd↔ compare
- Syntetisk datagenerering för sekretesskontrollIntegritetsskydd↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →