الخصوصية التفاضلية (Differential Privacy) هو مصطلح ظهر في مقالات قرمصيص ويستحق شرحاً مستقلاً. إطار رياضي يحد مقدار ما يمكن استنتاجه عن فرد من نتيجة تحليل بيانات جماعية. فهمه يساعدك على قراءة الشروحات ونتائج التجارب من غير خلط بين الاسم ووظيفته الفعلية.
باختصار
إطار رياضي يحد مقدار ما يمكن استنتاجه عن فرد من نتيجة تحليل بيانات جماعية.
بالتفصيل
تقارن الضمانات بين نتيجتين تختلف بياناتهما في مساهمة شخص واحد. غالباً تضاف ضوضاء محسوبة، وتتحكم قيمة epsilon في الموازنة بين الخصوصية والفائدة: القيمة الأصغر تعني حماية أقوى عادة، لكنها قد تقلل الدقة.
الفكرة العملية هي النظر إلى مكان المصطلح داخل خط العمل: ما البيانات التي تدخل إليه، وما النتيجة التي ينتجها، وما التكلفة أو الافتراض الذي يضيفه. المقارنة العادلة تحتاج تجربة على بيانات منفصلة ومقياس مناسب، لا الاعتماد على الاسم أو الشهرة وحدهما.
مثال عملي
يمكن نشر إحصاء عن استخدام خدمة صحية مع ضوضاء تمنع المراقب من معرفة ما إذا كان سجل شخص بعينه ضمن البيانات.
خلي بالك: إزالة الأسماء ليست خصوصية تفاضلية، والضمان يعتمد على الآلية والميزانية وتراكم الاستعلامات.
مصطلحات مرتبطة
Privacy-Preserving AI، Synthetic Data، Federated Learning. قراءة هذه المصطلحات معاً توضح العلاقة بين البيانات والتدريب والتقييم والتشغيل.
المصادر: NIST
