关于机器学习中差分隐私的系统性文献综述

《ACM Computing Surveys》：Systematic Literature Review on Differential Privacy in Machine Learning

随着机器学习广泛应用，数据隐私与准确性的平衡成为关键挑战。差分隐私（DP）作为数学框架，为隐私保护提供形式化保障。本文系统综述DP在传统ML、联邦学习及深度学习中的实现策略，分析其对模型性能的影响，并总结现有方法的优缺点。通过106项研究分析，揭示不同DP机制在隐私-效用权衡中的适用场景，同时探讨加密计算、动态敏感分析等前沿方向。（

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

随着机器学习（ML）的迅速发展及其在各个领域的广泛应用，对数据隐私和安全的关注变得越来越重要。差分隐私（DP）作为一种严格的数学框架，为ML系统中的隐私保护数据分析提供了保障，它在保护个人隐私的同时允许进行有意义的学习。以往的综述缺乏对DP和ML的全面覆盖，未能解决隐私与准确性之间的权衡问题。因此，深入了解DP算法在ML领域中的设计、实现和效率至关重要。本综述系统地回顾了DP方法在各种ML方法中的应用，包括传统ML、联邦学习和深度学习。通过对106项研究的主题分析，我们确定了关键的DP实施策略，考察了它们对模型性能的影响，并强调了现有方法的优点和局限性。我们的发现为研究人员和实践者提供了实用见解，帮助他们根据具体需求选择合适的DP机制。最后，我们讨论了当前的挑战和未来研究方向，以改进ML应用中的隐私-效用权衡。

人工智能摘要

人工智能生成的摘要（实验性）

该摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在辅助发现、帮助读者评估相关性，并帮助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是论文的官方总结。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须具有高级访问权限。