相对高斯机制及其在私人梯度下降中的应用
原文中文，约300字，阅读约需1分钟。发表于：。通过在向量值查询之前添加高斯噪声以保护隐私的方式，考虑了相对 L2 敏感性假设和输出依赖噪声，并证明了相关的 RDP 参数的紧密上下界，来解决确界 L2 敏感性困难问题，并给出了应用与 Private Gradient Descent 问题的具体保证。
本文研究了单一实值查询函数的最优ε-差分隐私机制，并与拉普拉斯机制进行了比较。结果表明，在ε趋近于0时，拉普拉斯机制是渐近最优的；而在ε趋近于+∞时，最小噪声振幅和功率分别为Θ(Δe^-ε/2)和Θ(Δ^2e^-2ε/3)，而拉普拉斯机制的噪声振幅和功率期望分别为Δ/ε和2Δ^2/ε^2，在低隐私保护级别下获得更明显的收益。
