https://blog.qife122.com/tags/%E9%9A%90%E7%A7%81%E5%BA%A6%E9%87%8F/ Recent content in 隐私度量 on 办公AI智能小助手 Hugo zh-cn qife Sat, 06 Sep 2025 22:25:23 +0800 https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE%E7%94%9F%E6%88%90%E4%B8%AD%E7%9A%84%E9%9A%90%E7%A7%81%E5%BA%A6%E9%87%8F%E7%BB%BC%E8%BF%B0/ Sat, 06 Sep 2025 22:25:23 +0800 https://blog.qife122.com/p/%E9%9A%90%E7%A7%81%E4%BF%9D%E6%8A%A4%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE%E7%94%9F%E6%88%90%E4%B8%AD%E7%9A%84%E9%9A%90%E7%A7%81%E5%BA%A6%E9%87%8F%E7%BB%BC%E8%BF%B0/ <h1 id="隐私保护合成数据生成中的隐私度量综述">隐私保护合成数据生成中的隐私度量综述</h1> <p>隐私保护合成数据生成（PP-SDG）已兴起，旨在从个人数据中生成合成数据集，同时保持隐私和效用。差分隐私（DP）是PP-SDG机制的一种属性，它确立了在共享敏感数据时个体受保护的程度。然而，DP所表达的隐私损失（ε）难以解释。为了使与隐私损失相关的实际风险更加透明，已提出了多种隐私度量（PMs）来评估数据的隐私风险。这些PMs在单独的研究中被用于评估新引入的PP-SDG机制。因此，这些PMs体现了与它们所评估的PP-SDG机制相同的假设。因此，有必要对这些度量的计算方式进行彻底的定义。在这项工作中，我们介绍了17种不同隐私度量的假设和数学公式。</p>