Differential Privacy

Framework matematico che aggiunge rumore controllato ai dati per proteggere la privacy individuale: il risultato aggregato è accurato ma non rivela informazioni su nessun singolo.

Il meccanismo garantisce che la presenza o assenza di un individuo nel dataset non cambi significativamente il risultato. Il parametro epsilon regola il compromesso: valori piccoli proteggono di più ma riducono la precisione. Google lo usa in Chrome, Apple nella tastiera predittiva. Nell'AI è applicato durante il training per evitare che il modello memorizzi dati sensibili. La garanzia è matematicamente provabile, a differenza dell'anonimizzazione tradizionale che può essere revertita.