拉普拉斯机制：差分隐私（Differential Privacy）中最常用的一种随机化方法之一。它通过向查询结果（如计数、均值、和等）加入服从拉普拉斯分布的噪声，并根据查询的敏感度与隐私参数 ε（epsilon） 来校准噪声大小，从而在尽量保留数据可用性的同时保护个体隐私。
/ləˈplɑːs ˈmɛkənɪzəm/
We use the Laplace mechanism to publish a private count.
我们使用拉普拉斯机制来发布一个具有隐私保护的计数结果。
Because the query has high sensitivity, the Laplace mechanism adds more noise to satisfy ε-differential privacy.
由于该查询的敏感度较高，拉普拉斯机制会加入更多噪声以满足 ε-差分隐私。
“Laplace” 来自法国数学家 皮埃尔-西蒙·拉普拉斯（Pierre-Simon Laplace） 的姓氏；“Laplace distribution（拉普拉斯分布）”以他命名。差分隐私中的 “mechanism（机制）” 指一种将真实输出随机化的算法框架；“Laplace mechanism” 即“使用拉普拉斯分布噪声来实现差分隐私的机制”。（该术语主要出现在现代计算机科学与隐私保护研究语境中。）
Select Language