NIST Special Publication 800-53 Revision 5.2.0 Rev 5.2.0

差分隐私的数学定义认为，在添加或删除单条数据记录（假设是某个个体的数据）前后，数据集分析的结果应大致相同。在最基本的形式中，差分隐私仅适用于在线查询系统。然而，它也可以用于生成机器学习统计分类器和合成数据。差分隐私的代价是结果准确性的降低，这迫使组织必须量化隐私保护与去标识化数据集的整体准确性、实用性和效用之间的权衡。非确定性噪声可以包括在数据集分析的数学运算结果中添加微小的随机值。