AI 需要資料，但個資不能隨便外洩。隱私保護技術讓模型學到群體規律、
卻學不到任何一個人的秘密——差分隱私、聯邦學習、去識別化是三大主力。
AI 需要大量資料，但很多資料涉及個人隱私（病歷、消費、位置）。隱私保護技術的目標：讓模型學到群體的規律，卻學不到任何一個人的秘密。常見手段有差分隱私、聯邦學習、資料去識別化等。
個資不外洩。
加雜訊讓個人藏在群體裡。
資料留本地，只交換模型。
核心精神：能用就好，不要把原始個資集中起來，更不要讓模型「背下」某個人的資料。
點下面三種主流技術，看它怎麼在「能用資料」和「保護隱私」之間取得平衡。
隱私保護是 iPAS 資料治理的核心考點(中級科目二)。重點:常見手段有去識別化(匿名化、假名化)、差分隱私(加雜訊給數學保證)、聯邦學習(資料不出本地)、加密;用資料前要合規(個資法、GDPR)。易混點:單純去識別化可能被重新識別,差分隱私保護更強;隱私與資料可用性需權衡。情境:資料釋出、模型訓練、跨機構合作的合規設計。
想練情境題與詳解 → AI 學習與考證地圖
模型用大量個人資料訓練，可能記住並洩漏敏感資訊；攻擊者可透過輸出反推訓練資料(成員推斷、模型反演)。
去識別化或匿名化、差分隱私(加噪保護個體)、聯邦學習(資料不出本地)、加密運算(同態加密、安全多方計算)、資料最小化。
不一定；結合其他資料可能再識別。所以需更強保證(如差分隱私)與最小化原則，並注意準擬識別碼。
加越多隱私保護(如更強差分隱私)通常會降低資料可用性與模型準確，需在隱私與效用間平衡。
台灣個資法、歐盟 GDPR 等，規範蒐集、目的、同意、最小化、當事人權利與跨境傳輸，違反有重罰。