MATLAB算法实战应用案例精讲-【人工智能】差分隐私（概念篇）(二)（附python和MATLAB代码实现）
目录
几个相关概念
隐私保护预算
敏感度
算法原理
什么是差分隐私
差分隐私噪声添加机制
数值型差分隐私
实现机制
拉普拉斯机制
指数机制
高斯机制
为什么要使用高斯机制
其他机制：随机响应和扰动
ε-差分隐私
差分隐私的性质
串行组合性
并行组合性
后处理性
近似差分隐私
差分隐私的应用场景
差分隐私算法和机器学习模型
差分隐私合成数据
知识拓展
差分隐私的变体
瑞丽差分隐私
瑞丽差分隐私在GNN中的应用：（GAP）
零集中差分隐私
本地差分隐私
优缺点
优点
局限性
代码实现
MATLAB
python
离散型差分隐私
几个相关概念
隐私保护预算
从差分隐私保护的定义可知，隐私保护预算ε用于控制算法M在邻近数据集上获得相同输出的概率比值，反映了算法M所的隐私保护水平，ε越小，隐私保护水平越高。在极端情况下，当ε取值为0时，即表示算法M针对D与D’的输出的概率分布完全相同，由于D与D’为邻近数据集，根据数学归纳法可以很显然地得出结论，即当ε=0时，算法M的输出结果不能反映任何关于数据集的有用的信息。因此，从另一方面，ε的取值同时也反映了数据的可用性，在相同情况下，ε越小，数据可用性越低。
敏感度
差分隐私保护可以通过在查询函数的返回值中加入噪声来实现，但是噪声的大小同样会影响数据的安全性和可用性。通常使用敏感性作为噪声量大小的参数，表示删除数据集中某一记录对查询结果造成的影响。
算法原理
为了防止攻击者利用减法思维获取到个人隐私，差分隐私提出了一个重要的思路：在一次统计查询的数据集中增加或减少一条记录，可获得几乎相同的输出。
也就是说任何一条记录，它在不在数据集中，对结果的影响可忽略不计，