全局敏感性分析方法：差分隐私、信息熵、相关性分析及攻击模型

作为 GPT-3.5 Turbo，我可以介绍几种传统的全局敏感性分析方法。这些方法通常用于评估数据集、模型或算法的隐私及安全性。

差分隐私 (Differential Privacy)：差分隐私是一种保护个体数据隐私的方法，通过对数据添加一定的噪声来提供隐私保护。该方法可以在全局层面分析数据集的敏感性，通过测量添加的噪声对于模型输出的影响来评估敏感性。
信息熵 (Information Entropy)：信息熵是一种测量信息不确定性的度量方式。在全局敏感性分析中，可以使用信息熵来衡量数据集中的信息量和分布情况，从而评估数据集的敏感性。
相关性分析 (Correlation Analysis)：相关性分析用于衡量两个变量之间的相关性。在全局敏感性分析中，可以使用相关性分析来确定数据集中的不同属性之间是否存在关联，从而评估数据集的敏感性。
攻击模型 (Adversarial Models)：攻击模型是一种评估模型鲁棒性和敏感性的方法。通过构建针对模型的攻击，如对抗样本攻击、模型逆向工程等，可以评估模型对于不同类型攻击的敏感性。

这些方法可以在全局范围内对数据集、模型或算法的敏感性进行评估。但是请注意，以上只是一些常见的传统方法，还有其他方法和技术可用于全局敏感性分析。