待验证50% 置信事实精确时间
Rènyi差分隐私（RDP）基于Rènyi散度定义，相比纯差分隐私提供更紧的隐私损失组合，在机器学习与统计分析中广泛使用。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
涉及实体
相关事实
待验证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。73% 相似已验证差分隐私（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68% 相似待验证从生产环境脱敏导出真实数据的测试数据方案存在隐私合规成本67% 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66% 相似待验证差分隐私通过注入校准噪声实现，隐私预算参数ε用于量化保护强度65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1064949API
curl https://kongchang.com/api/v1/knowledge/claims/1064949MCP
get_claim(id=1064949)