待验证50% 置信事实精确时间
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。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
已验证差分隐私（Differential Privacy）由Cynthia Dwork在2006年形式化定义，其核心保证是算法输出不会因数据集中任何单个记录的加入或移除而发生显著变化79% 相似待验证差分隐私随机梯度下降（DP-SGD）已成为训练隐私敏感模型的事实标准72% 相似待验证差分隐私由Cynthia Dwork等人于2006年提出，其核心定义为P[M(D)∈S] ≤ e^ε × P[M(D')∈S]71% 相似已验证差分隐私中隐私预算ε越小隐私保护越强但数据可用性也相应下降71% 相似待验证差分隐私是目前最主流的隐私防护机制，通过注入校准噪声提供数学可证明的隐私保障，苹果、谷歌等公司已大规模应用70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1020472API
curl https://kongchang.com/api/v1/knowledge/claims/1020472MCP
get_claim(id=1020472)