Ethan Cowan, Michael Shoemate, Mayana Pereira 著

梁程, 卢夏禹, 陈星任, 李燕宏 译

出版时间：2025年09月

页数：292

“这本书满足了实践数据科学家在对敏感数据进行统计分析或机器学习时的迫切需求。”
——Salil Vadhan
Vicky Joseph计算机科学与应用数学教授，OpenDP联合主任

许多组织如今都会分析并分享涉及个人信息的大型敏感数据集。无论这些数据集涵盖的是医疗细节还是财务记录，组织都越来越难以通过去身份化、匿名化及其他传统的统计披露限制技术来保护个人信息。这本书详细阐述了针对此类问题，差分隐私（DP）如何提供帮助。
作者 Ethan Cowan、Michael Shoemate和Mayana Pereira讲解了这些技术如何让数据科学家、研究人员和程序员在进行统计分析时隐藏单个个体的信息。你将深入掌握基本的差分隐私概念，学习使用开源工具生成差分隐私统计数据，探讨如何权衡实用性和隐私性，并学会将差分隐私集成到工作流中。
通过阅读本书，你将学到：
● 当其他数据匿名化方法无法保证隐私时，差分隐私如何发挥作用。
● 数据集中的个体隐私保护包含哪些内容。
● 如何在多个实际场景和数据集中应用差分隐私。
● 潜在的隐私攻击方法，包括重新识别攻击的含义。
● 如何在隐私保护数据发布中使用OpenDP库。
● 如何解释特定差分隐私数据发布所提供的保证。