詳細解釋
差分隱私（Differential Privacy）是數學上嚴格的隱私保護框架，通過添加精心設計的噪聲，確保個人數據對查詢結果的影響不可區分。
核心概念：
- ε-差分隱私：隱私預算參數，ε越小隱私保護越強
- (ε,δ)-差分隱私：鬆弛版本，允許小概率失敗
- 鄰接數據集：只差一條記錄的兩個數據集
- 不可區分性：輸出分布幾乎相同
機制：
- Laplace機制：連續值添加Laplace噪聲
- 指數機制：離散選擇的隱私保護
- 高斯機制：連續值添加高斯噪聲
- 隨機響應：二元屬性的隱私保護
應用：
- 聯邦學習：保護模型更新
- 數據發布：發布統計數據
- 機器學習：隱私保護訓練
- 查詢系統：數據庫查詢保護
特性：
- 組合性：多次查詢隱私損失可計算
- 後處理免疫：後續處理不降低隱私
- 並行組合：不相交數據集分別保護
工具：
- Google DP Library
- Opacus（PyTorch）
- TensorFlow Privacy
- IBM Diffprivlib
差分隱私是隱私計算的黃金標準。