【新书】差分隐私，246页pdf

《差分隐私：算法隐私保护的黄金标准》

一本内容扎实却易于理解的入门读物，介绍了差分隐私的基本理念、发展历程以及其在现实中的关键应用。 差分隐私（Differential Privacy，简称 DP）是一种日益流行、同时也引发广泛讨论的数据隐私保护方法。其核心机制是在使用数据时引入精心设计的随机扰动（称为“统计噪声”），从而保护个人敏感信息不被泄露。谷歌、苹果、微软等科技公司已将该技术整合至其产品中，美国人口普查局也在 2020 年普查中采用了差分隐私作为主要的数据保护机制。 在本书中，**辛普森·加芬克尔（Simson Garfinkel）**清晰地阐述了差分隐私背后的原理，并解释了为何在这个信息爆炸的时代，我们迫切需要这项技术。他深入探讨了差分隐私为何被用于保护 2020 年美国人口普查数据，同时也指出了它为何在某些群体中引发争议。 当差分隐私用于保护诸如网页浏览生成的广告画像等敏感数据时，加入的噪声可防止任何人精准还原出原始的个人信息，从而保障用户隐私。书中还回顾了差分隐私的发展历史，介绍了该领域的重要研究者与推动者，并坦诚地分析了其局限性。同时，作者还简要介绍了美国人口普查的演变，以及去标识化（De-identification）、k-匿名性等其他数据保护方法。

---

👨🔬 作者简介

辛普森·L·加芬克尔（Simson L. Garfinkel）

长期从事人工智能、隐私保护与数字取证领域的研究与写作。他是美国科学促进会（AAAS）、美国计算机协会（ACM）以及电气与电子工程师协会（IEEE）的会士（Fellow）。