差分隱私 （英語： differential privacy ）是 密碼學 中的一種 手段 ，旨在提供一種當從 統計數據庫 查詢 時，最大化數據查詢的 準確性 ，同時最大限度減少識別其 記錄 的機會。

差分隱私（Differential Privacy），簡稱DP，旨在傳輸的梯度信息中加入隨機噪聲，并將其查詢操作的實際結果隱藏起來或者模糊化，直至無法區分，從而實現對私密數據的保護。

加入噪音一般有，拉普拉斯機制，指數機制和高斯機制。用的最多的是拉普拉斯機制。

1、多方安全計算：基于密碼學的隱私計算技術； 2、聯邦學習：人工智能與隱私保護技術融合衍生的技術； 3、可信執行技術（TEE）：代表的基于可信硬件的隱私計算技術。

混淆電路、秘密分享、不經意傳輸等作為底層密碼學技術，同態加密、零知識證明、差分隱私等作為輔助技術的相對成熟的技術體系。

差分隱私與其他隱私計算的聯系是什么？ 1、差分隱私是隱私計算中技術的一種，與同態加密，數據脫敏，混淆電路等算法同級別。每種技術側重點不同，前面也提到了，差分隱私更關注結果，對于隱私計算的過程沒有保護。 2、安全多方計算，聯邦學習都可以用差分隱私，它們相當于是隱私計算的一個子集，差分隱私是這個子集中的一個元素，或者說是子集的子集。 3、安全多方計算在我看來更像是一個協議，可被用于聯邦學習中。聯邦學習更像是一個隱私計算的框架，可用其他技術，包括TEE。在隱私計算體系結構中我感覺算法應用基本都是描述聯邦學習的。