神經資料的差分隱私

一種由預算 epsilon 控制的形式化隱私保證，界定任一個體的資料能改變某分析或已訓練模型所揭露內容的上限；epsilon 越小代表隱私越強、加入的雜訊越多。應用於神經資料時，它是私有訓練（例如差分隱私隨機梯度下降）與從腦電、功能性磁振造影或尖峰資料集私有釋出統計量的基礎。

神經資料對此框架構成壓力：它高維且在時間與空間上高度相關，因此隱私單位（一個樣本、一個場次、一個人）必須審慎選擇，天真的逐樣本計量會對貢獻許多相關樣本的人保護不足。要達到有意義的 epsilon 所需的雜訊會顯著降低解碼準確率，故多數研究報告的是效用與隱私的取捨，而非免費的午餐；本地差分隱私（在裝置端於分享前加入雜訊）可抵禦不受信任的聚合者，但耗損的效用更多。