目录

前言

知识储备

算法原理

发展历程

差分隐私的引入

GIC 事件

ε（epsilon）-差分隐私​编辑

实现方式

什么是差分隐私

差分隐私的工作原理

数学模型

差分隐私计算公式

拉普拉斯机制 

高斯机制 

高斯机制满足 (ε,δ)-差分隐私的数学证明

可组合性

怎样在机器学习中运用差分隐私？

差分隐私分类

优缺点

优点

差分隐私的挑战和限制

应用场景

应用案例

数据有效性

隐私性

---

前言

差分隐私是为了解决差分攻击而引入的解决方案，是密码学中的一种手段，可以有效防止他人从查询接口中找出个人隐私数据。其思想是在数据的采集或发布前，对数据进行扰动添加噪声，从而可以隐藏真实数据，避免具有背景知识的攻击者通过猜测，获取隐私信息，从而防止个人隐私数据泄露。在最好的情况下，不同的差分隐私算法可以使被保护数据广泛用于准确的数据分析，而无需借助于其他数据保护机制。由于差分隐私对于隐私的定义不依赖于攻击者的背景知识，所以被作为一种新型的隐私保护模型广泛地应用于数据挖掘，机器学习等各个领域。

知识储备

符号说明

数据库 

数据库的距离