定义

有很多种版本：

1.MaskIt:privately releasing User Context Streams for personalized mobile applications

简单来说，就是对于s，后验概率与先验概率之差≤δ。pr(xt=s|o)-pr(xt=s)≤δ

2. 活动轨迹数据的挖掘与隐私保护研究

使得发布的数据满足δ-隐私可以有两种方法：

一是遍历活动轨迹上所有事件，根据已发布的序列来决定当前数据能否发布。二是将输出序列作为一个整体考虑，为每个事件安排一个发布的概率。使得按此概率输出的所有可能序列都满足δ-隐私。

3.The Cost of Privacy: Destruction of Data-Mining Utility in Anonymized Data Publishing

Abase = <p(T, s1), p(T, s2), . . . , p(T, sl)>. Asan(< t >) =<p(< t >, s1), p(< t >, s2), . . . , p(< t >, sl)>

敏感属性公开是对手的后验知识Asan和他的基础知识Abase之间的区别。（知识增量）它可以相加或相乘地进行测量。

定义1（δ-披露隐私）：对于一个等价类t，δ-披露隐私是指对于所有s∈S：

如果一个表是满足δ-披露隐私的，仅当表中所有等价类均满足δ-披露隐私

引理1.如果T满足δ披露隐私，则Gain（S，Q）<δ。 当数据库满足δ披露隐私时，基于准标识符Q建立敏感属性S的预测变量的能力受δ约束。

4.δ隐私