待验证50% 置信事实精确时间

差分隐私由Cynthia Dwork于2006年提出，核心思想是在数据统计或模型训练时向梯度/输出中添加随机噪声

1

来源数

50%

置信度

长期有效

时效性

2026/7/18

首次发现

来源

守护天使框架：LLM个性化如何同时实现效率与数据安全

相关事实

待验证差分隐私（DP）通过对训练梯度进行裁剪并注入校准的高斯噪声，使任何单条训练数据的存在与否对模型输出的影响可被数学上界定82% 相似待验证训练时应用差分隐私噪声（DP-SGD）可有效降低记忆化程度，但会带来个性化效果的损耗64% 相似已验证大模型幻觉产生的三大原因是训练数据噪声、概率优先机制和数据时效性不足63% 相似待验证过度域随机化会引入与真实分布相差过大的不可能样本，稀释有效训练信号，随机化范围的设定需要大量领域专家经验63% 相似待验证差分隐私训练、去重预处理和机器遗忘等缓解记忆化的技术方案均会在不同程度上牺牲模型性能62% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/556247

API

curl https://kongchang.com/api/v1/knowledge/claims/556247

MCP

get_claim(id=556247)