机器学习中的差分隐私：从符号人工智能到大语言模型的综述
密码学与安全
2026-03-12 v2 人工智能
机器学习
神经与进化计算
摘要
机器学习模型不应泄露否则无法获取的特定信息。差分隐私提供了一个形式化框架，通过确保任何单个数据点的包含或排除不会显著改变算法的输出，从而降低隐私风险。本综述回顾了差分隐私的基础定义，并追溯其通过关键理论和应用贡献的演变。随后，它深入审视了差分隐私如何集成到机器学习模型中，分析了现有提案和训练机器学习模型时保护隐私的方法。最后，它描述了如何在实践中评估基于差分隐私的机器学习技术。通过提供差分隐私在机器学习中全面概述，本工作旨在为安全且负责任的人工智能系统的持续发展做出贡献。
引用
@article{arxiv.2506.11687,
title = {Differential Privacy in Machine Learning: A Survey from Symbolic AI to LLMs},
author = {Francisco Aguilera-Martínez and Fernando Berzal},
journal= {arXiv preprint arXiv:2506.11687},
year = {2026}
}