差分隱私 vs 安全多方計算
Differential Privacy vs MPC
差分隱私 側重 差分隱私是一種資料匿名化技術,透過在統計查詢結果中注入隨機噪音,在公開資料的同時保護個別資料點的隱私。,而 安全多方計算 側重 安全多方計算(Multi-Party Computation,MPC)是一種密碼學協議,允許多方在不揭露各自私有輸入資料的前提下,共同計算某個函數的結果,廣泛應用於聯邦學習、隱私保護 AI 推論等場景。
逐項比較
| 項目 | 差分隱私 | 安全多方計算 |
|---|---|---|
| 一句定義 | 差分隱私是一種資料匿名化技術,透過在統計查詢結果中注入隨機噪音,在公開資料的同時保護個別資料點的隱私。 | 安全多方計算(Multi-Party Computation,MPC)是一種密碼學協議,允許多方在不揭露各自私有輸入資料的前提下,共同計算某個函數的結果,廣泛應用於聯邦學習、隱私保護 AI 推論等場景 |
| 常見標籤 | AI倫理與治理、資料處理 | 聯邦學習、AI倫理與治理、模型部署、機器學習 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 差分隱私中的隱私預算(ε)是什麼意思? | 安全多方計算(MPC)如何在實際 AI 推論中保護用戶隱私? |