---
title: "差分隱私（Differential Privacy）"
slug: differential-privacy
language: zh-TW
source: https://aiterms.tw/terms/differential-privacy
updated_at: 2026-04-29
tags: [AI倫理與治理, 資料處理]
ipas_term: true
---

# 差分隱私（Differential Privacy）

> **你想分享資料趨勢，又不想暴露某個人的資訊嗎？**
> 你可以把 差分隱私 想成一層保護個人資料的統計濾網。
> 它其實就是在結果裡加一點可控雜訊，讓整體趨勢可用、單一個體不容易被反推出來。
> 差分隱私是一種資料匿名化技術，透過在統計查詢結果中注入隨機噪音，在公開資料的同時保護個別資料點的隱私。這在公開報表、模型訓練、跨部門資料分析時都很重要。

### 容易混淆
> **vs 資料匿名化**
> 資料匿名化像把人的名字塗掉，但其他資訊可能還是能被拼湊出來；差分隱私則像在公布答案時，故意讓答案「有點模糊」，即使你把所有公開資訊都拿去分析，也無法確定某個人的真實資料。
>
> **公平性 vs 聯邦學習**
> 公平性 比較像同一類問題裡的近鄰參考，聯邦學習 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
>
> **最關鍵的區別：** 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

### 記住這句就好
> 保護的是個體，公開的是統計結果

### 實際案例
> **案例一：差分隱私 發布交通統計**
> 政府想公布某區域平均通勤時間，但又不希望任何單一居民的資料被逆推出來，差分隱私就能派上用場。
>
> **案例二：差分隱私 訓練使用者模型**
> 在模型更新時加入受控噪聲，可以降低訓練資料被記住或被反推的風險。

### 深入了解
> 差分隱私的核心是，單一資料點加入或移除後，輸出不應有明顯差異
> 隱私預算越小，保護越強，但可用性也會跟著受影響
> 實務上常見作法是對查詢結果或梯度加噪，再控制整體預算
>
> 差分隱私 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

### 情境判斷
> **Q1（直覺題）：** 你想公布統計結果，又不想讓別人推回某個人的資料，可以怎麼想？
> → 用差分隱私的思路，讓結果保留整體趨勢、但模糊個體貢獻。
>
> **Q2（判斷題）：** 隱私預算越小越好嗎？
> → 看情況，因為 ε 越小保護越強，但結果可用性也會下降，實務上要在隱私和準確度之間取平衡。
>
### iPAS 考題
> **Q：差分隱私的隱私預算 ε 代表什麼？**
> ε 越小，表示加入或移除單一資料點後，輸出變化越小，個體越難被推回來，但結果也會更不精準。
>
> **Q：差分隱私在考題裡常怎麼問？**
> 常考的是隱私和可用性的取捨、ε 的意義、以及它和一般匿名化的差別。

### 常見問題
> **Q：差分隱私中的隱私預算（ε）是什麼意思？**
> 隱私預算（ε）是衡量差分隱私保護程度的關鍵參數。ε 值越小，隱私保護程度越高，但同時查詢結果的準確性也會受到影響。ε 值代表了攻擊者可以從查詢結果中獲取多少關於個別資料的資訊，因此需要謹慎設定。通常，ε 的取值範圍在 0.1 到 10 之間，具體取決於應用場景和隱私保護需求。
>
> **Q：差分隱私如何應用於機器學習模型的訓練？**
> 差分隱私可以通過多種方式應用於機器學習模型的訓練，例如添加噪音到梯度、限制梯度的大小、或者使用差分隱私版本的優化演算法。這些方法旨在保護訓練數據的隱私，防止模型洩露訓練數據中的敏感資訊。例如，差分隱私隨機梯度下降（DP-SGD）是一種常用的方法，它通過添加噪音到每個批次的梯度來實現差分隱私。
>
> **Q：差分隱私在實務應用中面臨哪些挑戰？**
> 差分隱私在實務應用中面臨多個挑戰，包括準確性損失、隱私預算分配、複雜性、以及可解釋性。添加噪音會降低查詢結果或模型的準確性，需要在隱私保護和準確性之間進行權衡。此外，隱私預算需要在不同的查詢或模型訓練步驟之間進行合理分配，以確保整體的隱私保護效果。實施差分隱私需要專業知識和技能，並且可能影響模型的可解釋性。
>
### 相關術語
> - **公平性**：讀完這個再看它，可以把上下游概念串起來
> - **聯邦學習**：讀完這個再看它，可以把上下游概念串起來
> - **同態加密**：讀完這個再看它，可以把上下游概念串起來
> - **歐盟通用資料保護規範**：讀完這個再看它，可以把上下游概念串起來
> - **可解釋人工智慧**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/differential-privacy
快查頁：https://aiterms.tw/terms/differential-privacy
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-differential-privacy