【差分隐私】基本原理与入门级应用 | 京东云技术团队

差分隐私是一种保护隐私的密码学手段，分为CDP和LDP。

LDP需要对数据进行裁剪处理以得到有界全局敏感度。

裁剪边界可以根据数据集性质或采用差分隐私问询估计选择。

向量值Laplace机制需要使用L1敏感度，而向量值Gaussian机制L1和L2敏感度都可以使用。

指数机制可以从备选回复集合中选出最佳结果并保证差分隐私。

LDP是一种通过随机响应技术对数据进行扰动的保护隐私的技术。

COUNT函数的全局敏感度始终为1，但SUM函数的全局敏感度依赖于属性列。

裁剪处理需要在信息损失与满足差分隐私所需噪声之间进行权衡。

裁剪边界不能通过查看数据集来确定，以避免泄露信息。

属性列裁剪可以根据数据集性质或差分隐私问询估计选择边界。

向量值Laplace和Gaussian机制的发布规则有所不同。

指数机制通过返回分数近似最大的回复来实现差分隐私保护。

LDP经典算法通过对用户回答加数据扰动来保护隐私。