差分隐私
也叫：Differential Privacy · DP · 差分隐私保护
差分隐私以数学参数约束个体数据对统计或模型输出的影响，实际应用需要明确保护单位、机制与隐私预算。
他们说
用 epsilon 和 delta 等参数限制单个样本对输出分布的影响
老白翻译
加入或删掉一个人的数据，最终结果都不该变化太多。
它到底是什么
差分隐私是一套量化隐私损失的数学框架。它比较相邻数据集的输出分布，并限制单个个体加入或退出后带来的变化。
生活里的例子
机构发布某地区的敏感统计时，可以向结果加入经过校准的随机噪声，让外部观察者难以判断某个人是否被计入。
常见误解
- 误解：删掉姓名就有差分隐私。 去标识化没有给出相同的数学保证，组合外部数据后仍可能重识别。
- 误解：epsilon 可以脱离条件直接比较。 保护单位、邻接定义、抽样方式和 delta 都会改变数字含义。
- 误解：训练时加一次噪声就结束。 多轮训练会累积隐私损失，需要持续记账。
普通人怎么用
先写清保护的是用户还是记录，再记录 epsilon、delta、训练步数与模型精度，并保留非隐私基线作比较。