Дифференциальная приватность (Differential Privacy)

Дифференциальная приватность — это математическая гарантия того, что результат анализа (статистика, метрика на дашборде, обученная модель) остаётся практически неизменным независимо от того, включена ли запись любого конкретного человека. Она работает за счёт добавления тщательно откалиброванного случайного шума, регулируемого бюджетом приватности (эпсилон): меньший эпсилон — больше шума и сильнее приватность, больший — точнее числа, но слабее защита. Смысл в том, что наблюдатель не сможет восстановить ни одного человека из результатов даже при наличии сторонних знаний. Для разработчиков это способ делиться агрегированной аналитикой, публиковать бенчмарки или обучать модели на данных пользователей, делая при этом реальное, доказуемое заявление о приватности вместо расплывчатого 'анонимизировано'. Практический совет: это не бесплатно — шум снижает точность, поэтому подход куда лучше подходит для агрегатов и больших наборов, чем для малых когорт или точности на пользователя. Используйте проверенные библиотеки вместо самописного шума и относитесь к бюджету эпсилон как к конечному ресурсу, расходуемому по запросам.