Differential Privacy
一种隐私保护框架，要求机制对相邻数据集的输出分布相似，通过加噪来隐藏单条记录的影响，核心指标包括全局敏感度和局部敏感度。
时间轴 (近 90 天)
差分隐私是一种严格的隐私数学定义：一个随机算法满足(ε, δ)-DP，若任意相邻数据集上的输出分布差异被ε和δ约束；ε越小隐私保护越强，但通常以模型效用下降为代价。
该原型系统在实验中实现了客户端级差分隐私ε≤3，加上预测共享的安全聚合，原始数据不离开站点。
开发者构建的原型系统将联邦学习、客户端级差分隐私、跨机构主动学习与逆向仿真验证机制结合，用于精准肿瘤学的隐私保护机器学习。
论文的防御实验针对的是遥测数据的后处理扰动，而非训练阶段的差分隐私保护
目前大型图像生成模型鲜少将差分隐私作为标准训练配置
差分隐私（Differential Privacy）等训练技术理论上可抑制模型记忆，但会以牺牲模型生成质量为代价
差分隐私由Cynthia Dwork于2006年形式化定义，苹果和谷歌已广泛应用于用户行为数据的收集和分析
差分隐私由Cynthia Dwork于2006年形式化定义，苹果和谷歌已将其应用于用户行为数据的收集和分析
全部知识事实 (8)
差分隐私是一种严格的隐私数学定义：一个随机算法满足(ε, δ)-DP，若任意相邻数据集上的输出分布差异被ε和δ约束；ε越小隐私保护越强，但通常以模型效用下降为代价。
50%待验证该原型系统在实验中实现了客户端级差分隐私ε≤3，加上预测共享的安全聚合，原始数据不离开站点。
50%待验证开发者构建的原型系统将联邦学习、客户端级差分隐私、跨机构主动学习与逆向仿真验证机制结合，用于精准肿瘤学的隐私保护机器学习。
50%待验证论文的防御实验针对的是遥测数据的后处理扰动，而非训练阶段的差分隐私保护
50%待验证目前大型图像生成模型鲜少将差分隐私作为标准训练配置
50%待验证差分隐私（Differential Privacy）等训练技术理论上可抑制模型记忆，但会以牺牲模型生成质量为代价
50%待验证差分隐私由Cynthia Dwork于2006年形式化定义，苹果和谷歌已广泛应用于用户行为数据的收集和分析
50%待验证差分隐私由Cynthia Dwork于2006年形式化定义，苹果和谷歌已将其应用于用户行为数据的收集和分析
50%