الخصوصية التفاضلية

الخصوصية التفاضلية (Differential Privacy) هي ضمان رياضي لحماية الخصوصية. تخيّل حشدًا من الناس: إذا أضفنا شخصًا واحدًا أو أزلناه، يبقى الشكل العام للمجموعة كما هو. هذا بالضبط ما تَعِد به هذه التقنية — يجب أن تظل نتائج تحليل البيانات شبه ثابتة، سواء كان فردٌ معيّن ضمن مجموعة البيانات أم لا. وبذلك لا يستطيع أحد أن يستنتج ما إذا كانت بياناتك أنت قد استُخدمت.

كيف تعمل

تقوم الفكرة الأساسية على حقن ضوضاء عشوائية مُعايَرة (غالبًا من توزيع لابلاس أو التوزيع الغاوسي) داخل الاستعلامات أو النماذج. تُخفي هذه الضوضاء مساهمة كل فرد مع الحفاظ على الاتجاهات الإحصائية العامة. فنقبل خسارة طفيفة في الدقّة مقابل حماية صارمة.

يُضبط هذا الضمان بمعامل يُسمّى ε (إبسيلون)، وهو «ميزانية الخصوصية»:

$$ \Pr[\mathcal{M}(D_1) \in S] \leq e^{\varepsilon} \cdot \Pr[\mathcal{M}(D_2) \in S] $$

حيث $D_1$ و $D_2$ قاعدتا بيانات تختلفان بفردٍ واحد فقط. فقيمة ε منخفضة تعني حماية قوية (ضوضاء كثيرة)، وقيمة ε مرتفعة تعني حماية أضعف.

المفاضلة الجوهرية

• استُخدمت في التعداد السكاني الأمريكي 2020، ومن قبل آبل وغوغل ومايكروسوفت.
• مهمّة في التعلّم الموحَّد (Federated Learning) وتدريب نماذج الذكاء الاصطناعي على بيانات حسّاسة.
• لا تحذف البيانات، بل تحدّ ممّا يمكن لمهاجمٍ أن يتعلّمه.

الخصوصية التفاضلية لا تُخفي الشجرة، لكنها تجعل التعرّف على الورقة التي تخصّك أمرًا مستحيلًا.