大型技术全都集中在不同的隐私上。这是Google隐私沙箱中的基本概念；苹果将​​其用于诊断设备，健康状况和网络浏览数据的研究；就在上周，Facebook使用差异化隐私保护了它提供给研究人员的大量数据，以分析共享错误信息对选举的影响。Uber利用差异性隐私来检测其用户群中的统计趋势，而不会暴露个人信息。亚马逊的人工智能系统可以利用它来防止数据泄漏。Snapchat使用差异隐私来训练机器学习模型。Salesforce在其报告日志中使用DP过滤器。但是，尽管差异隐私最初是一种学术观念，但如今已被大佬所采用，但广告技术公司也需要了解这一点，甚至有些公司甚至将其视为隐私保护的未来。 什么是DP？ 差异隐私由Microsoft研究人员于2006年首次发明，它是一种用于数据分析的隐私安全模型。差异隐私不是算法本身，而是一组密码属性，可以将其应用于机器学习算法，以设置对可以得出有关个人的推断之前可以从数据中提取多少信息的限制。换句话说，它将“合理的可否认性”引入数据集，宾夕法尼亚大学工程大学计算机和信息科学教授，《社会算法》一书的合著者亚伦·罗斯说。意识算法设计。实际上，这意味着数据所有者有意向数据集中添加了噪声或随机性，因此可以同时从数据中了解有关人口的某些信息，而无需识别组中包含的任何个人。考虑一个民意调查人员，该人员收集有关尴尬行为（如吸毒或作弊）的统计信息。为了保护自己的隐私，受访者在回答问题之前先掷硬币而不向民意测验者透露结果。如果硬币落在尾巴上，则要求他们如实回应。如果是正面，他们会掷第二枚硬币，正面为“是”，反之为“否”。这将随机性或合理的可否认性引入了研究的最终结果。但是，由于研究人员知道错误是如何引入的，因此他或她以后可以向后进行工作，以系统地将这些错误从总体中删除，并仍然从数据中收集有用的信息，Roth解释说。他说：“我没有办法知道答案是否是随机的。” “但是，由于我知道将噪声添加到响应的过程，因此有可能减去噪声并了解平均值。”大规模地，机器学习算法可以应用该原理来进行估计并从数据集中收集信息，而不会损害特定的个人。需要注意的是，研究人员需要更大的数据集来进行研究，以弥补故意的随机性。如今，差异隐私的最普遍用途是将大数据集随机化的一种方式，以便研究人员可以使用它们，例如在Facebook错误信息示例中。分析公司Victory