“取 $q=0.01,T=100$。先把未抽样的裁剪和加噪机制校准为 $(\varepsilon 0,\delta 0)=(0.5,10^{ 7})$ DP;按经典高斯尺度,取噪声乘子 $\s…”
形式陈述
给定公开声明的相邻关系
Gaussian 机制发布
这个上界给出$(\varepsilon,\delta)$-DP,但不声称噪声最小;尤其不要把其条件中的
从密度比算出精确条件
固定一对相邻输入,记
对
直觉
高维输出看似需要同时控制许多方向,实际密度比只依赖噪声在相邻差向量
高斯尾部始终存在。只要某对相邻查询值不同,
例子与边界
有界均值怎样确定噪声
取固定大小
若取
若同时发布
哪些改动需要重新证明
未裁剪的实数均值可有无界灵敏度,有限高斯噪声无法直接套用上述定理。数据依赖地选择
推论与应用
多轮发布时,逐次计算尾概率再简单累加可能较松。Gaussian 机制在Rényi DP下有精确的阶数预算
实际校准可对精确
参考资料
- Dwork 与 Roth,《The Algorithmic Foundations of Differential Privacy》Appendix A, Theorem A.1,经典充分尺度及投影证明。
- Balle 与 Wang,“Improving the Gaussian Mechanism for Differential Privacy”,2018,§3、Theorem 8,精确隐私条件与解析校准。