Differential Privacy / Quyền riêng biệt

📖 Differential Privacy

Definition (English):

Differential privacy provides mathematical guarantees that the output of an algorithm does not reveal whether any individual's data was in the training set. It adds calibrated noise to queries or gradients. Key parameters: ε (epsilon, privacy budget) — lower ε means stronger privacy. Federated learning + differential privacy enables training on sensitive data (healthcare, finance) while provably protecting individual privacy.

📖 Quyền riêng biệt

Định nghĩa (Tiếng Việt):

Quyền riêng biệt cung cấp bảo đảm toán học rằng đầu ra của thuật toán không tiết lộ liệu dữ liệu cá nhân nào có trong tập huấn luyện. Nó thêm nhiễu được hiệu chuẩn vào truy vấn hoặc gradient. Tham số chính: ε (epsilon, ngân sách quyền riêng tư) — ε thấp hơn nghĩa là quyền riêng tư mạnh hơn. Học phân tán + quyền riêng biệt cho phép huấn luyện trên dữ liệu nhạy cảm (y tế, tài chính) trong khi bảo vệ quyền riêng tư cá nhân có thể chứng minh.

📂 Phân loại: Ethics