差分隐私 3 篇文章

差分隐私通过向梯度或输出注入噪声,限制单个样本对模型的影响,为联邦学习提供可量化的隐私保证,代价是模型精度与收敛速度的取舍。

封面
差分隐私 隐私保护 数据安全 机器学习

为什么差分隐私在真实数据系统里落地这么难

差分隐私落地难点不在于数学原理,而在于工程实现中的敏感度计算、预算管理和中间输出控制。本文梳理了拉普拉斯机制与指数机制的核心公式,对比中心化与本地化方案的取舍,给出组合定理的预算约束和一套可执行的工程检查清单,帮助数据团队识别真实数据系统中隐私泄露的关键窗口。

阅读全文
封面
差分隐私 数据采集 用户隐私 参数配置

差分隐私在用户行为数据采集中的参数配置与效果评估

差分隐私通过注入可控噪声实现用户数据采集中的个体隐私保护,隐私预算ε的配置直接影响保护强度与数据可用性。文章对比拉普拉斯与高斯机制,给出ε在2~4之间的推荐取值,并基于移动端点击事件采集案例展示参数配置与效果评估方法,帮助开发者在合规与数据价值间找到平衡。

阅读全文