Quyền riêng tư khác biệt là một công nghệ bảo vệ quyền riêng tư có khả năng đảm bảo rằng dữ liệu của một cá nhân cụ thể sẽ không bị nhận dạng hoặc rò rỉ bằng cách thêm nhiễu toán học vào kết quả truy vấn thống kê.
Quyền riêng tư khác biệt là một công nghệ khiến cho gần như không thể biết liệu dữ liệu của một người cụ thể có tồn tại hay không dựa trên kết quả truy vấn đối với tập dữ liệu. Cường độ bảo vệ quyền riêng tư được định lượng bằng tham số ε (epsilon) và giá trị càng nhỏ thì khả năng bảo vệ càng mạnh nhưng độ chính xác thống kê càng thấp.
Google và Apple đã áp dụng nó để thu thập số liệu thống kê sử dụng thiết bị và tính đến năm 2026, ứng dụng LLM để tinh chỉnh (DP-SGD) đang nhanh chóng mở rộng, chủ yếu trong lĩnh vực y tế và tài chính. Thông lệ tiêu chuẩn cho các hoạt động thực tế là điều chỉnh nó cho từng trường hợp sử dụng trong phạm vi ε=0,1 đến 1,0.
Cạm bẫy lớn nhất trong hoạt động thực tế là khó thiết lập ε. Khi ε>1, biện pháp bảo vệ chỉ trở thành một mã thông báo và có những trường hợp biện pháp bảo vệ không vượt qua quá trình kiểm tra GDPR và khi ε<0,01, độ chính xác giảm sút nghiêm trọng và giá trị doanh nghiệp bị mất. Mặc dù Thư viện Google DP và PyTorch Opacus miễn phí nhưng có nhiều trường hợp chi phí cơ sở hạ tầng tăng từ 1,5 đến 3 lần do lượng dữ liệu cần thiết để hiệu chỉnh độ chính xác tăng lên.
Sau khi sửa đổi Đạo luật bảo vệ thông tin cá nhân vào năm 2026 và việc thực thi Đạo luật AI của EU, việc kết hợp quyền riêng tư khác biệt vào quy trình học tập và suy luận của AI tạo sinh đang trở thành một tiêu chuẩn ngành trên thực tế. Nguyên tắc vàng để lựa chọn trong hiện trường là kiểm tra các yêu cầu về độ chính xác của trường hợp sử dụng và các yêu cầu quy định, đồng thời xác định phạm vi cho phép của ε trước khi triển khai.