联邦学习中的差分隐私与同态加密

差分隐私（Differential Privacy）是一种在保护个人隐私的同时，允许从数据中提取有用信息的方法。其核心思想是通过向数据引入控制的噪声来防止对个别数据的过度依赖从而泄露个人隐私。具体而言，对于任何一个单个个体的数据，差分隐私保证在算法输出中对该单个个体的贡献微乎其微，从而保护了个人隐私。