Taupt Blog

• 가명정보와 익명정보 구분이 헷갈리는 진짜 이유는 '결합 가능성'입니다
  2026-07-03 · Research
  개인정보 보호법의 가명정보와 익명정보는 둘 다 '다른 정보와의 결합 가능성'이라는 가정형 판단 위에 있어 데이터만 봐서는 구분할 수 없습니다. 차등 프라이버시 출력도 자동으로 익명정보가 되지는 않습니다.
• 크롬이 RAPPOR을 내린 진짜 이유는 로컬 DP의 한계입니다
  2026-06-21 · Research
  크롬은 로컬 차등 프라이버시의 모범 사례 RAPPOR을 끝내 버리고 셔플 모델로 갈아탔습니다. 정확도와 스케일 한계, 그리고 셔플러라는 새 신뢰 가정의 손익을 정리합니다.
• DP 노이즈 메커니즘은 출력 타입과 민감도로 갈린다
  2026-06-17 · Technology
  같은 ε이라도 합·평균엔 Laplace나 Gaussian, 범주·최빈값엔 Exponential을 써야 하는 이유와 잘못 고르면 무너지는 지점을 쿼리별로 정리합니다.
• TopDown 알고리즘 논쟁의 진짜 범인은 노이즈가 아니라 사후 보정입니다
  2026-06-16 · Research
  2020 미국 인구총조사의 TopDown 알고리즘이 통계학자들에게 비판받은 이유를, 노이즈가 아닌 사후 보정 단계의 편향과 선거구 논쟁을 중심으로 짚습니다.
• 차등 프라이버시가 부정확해지는 세 가지 이유: 통계·정보·측정의 벽
  2026-06-14 · Technology
  차등 프라이버시가 실제로 부정확해지는 이유를 통계의 벽, 정보의 벽, 측정의 벽으로 나눠 설명합니다. 무엇이 DP 고유의 한계이고 무엇이 아닌지 쉽게 풉니다.
• 한국 차등 프라이버시 도입, 공공통계와 보건의료 데이터부터 봐야 합니다
  2026-06-12 · Research
  한국에서 차등 프라이버시를 어디부터 적용해야 하는지, 공공통계와 보건의료 데이터의 재식별 위험·개방 압력·거버넌스 설계를 쉽게 풉니다.
• DP로 인원을 세면 음수가 나오는 이유: 버그가 아니라 노이즈입니다
  2026-06-09 · Technology
  차등 프라이버시로 인원을 셀 때 음수가 나오는 이유와, 0으로 자를 때 생기는 편향을 수식보다 직관과 실무 판단 기준으로 설명합니다.
• 차등 프라이버시 보호 단위: ε=1만 보고 안심하면 안 되는 이유
  2026-06-06 · Research
  차등 프라이버시에서 보호 단위를 행·이벤트·사용자 중 무엇으로 잡느냐에 따라 같은 ε=1도 전혀 다른 보호가 됩니다. NIST SP 800-226의 보호 단위 논리를 수식 없이 사례로 풉니다.
• 연합학습 DP-SGD에서 그래디언트 클리핑은 민감도 계약입니다
  2026-06-03 · Technology
  연합학습 DP-SGD에서 클리핑 기준 C가 왜 노이즈 크기와 ε 보장의 전제가 되는지, 수식보다 직관과 실무 함정 중심으로 설명합니다.
• 차등 프라이버시 ε 예산: 쿼리를 반복하면 보호가 줄어드는 이유
  2026-05-25 · Technology
  차등 프라이버시 ε은 같은 데이터에 쿼리를 거듭할수록 합산되는 프라이버시 예산입니다. 기본 합성, 고급 합성, RDP 회계를 장부 비유와 실제 운영 사례로 풉니다.
• 차등 프라이버시 ε=1이 늘 같은 보호는 아닙니다: 이웃 모델과 δ
  2026-05-20 · Technology
  같은 ε=1이라도 한 사람을 추가·제거로 볼지 교체로 볼지, δ를 얼마로 둘지에 따라 실제 보호가 달라집니다. 이웃 모델과 δ를 사례 중심으로 풉니다.
• 차등 프라이버시 ε(엡실론): 평균 연봉 발표로 이해하는 보호 원리
  2026-05-14 · Technology
  차등 프라이버시 ε은 한 사람이 데이터에 있든 없든 결과가 크게 달라 보이지 않게 묶는 약속입니다. 평균 연봉 예시로 공격자가 무엇을 못 하게 되는지 쉽게 풉니다.
• Apple이 키보드 학습에 ε=2~4를 공개한 진짜 의미
  2026-05-05 · Research
  Apple이 이모지·키보드 학습에 내건 ε=2~4는 한 번의 보고에 붙는 숫자입니다. 누적으로 보면 하루 16까지 허용된 설계와 그 논쟁의 핵심을 짚습니다.