Overcoming the Randomness-Utility Trade-off in Answering Differentially Private Linear Queries
差分隐私（Differential Privacy）为数据分析提供严格的隐私保证，但在回答大量线性查询时，必须在隐私预算、响应精度和随机位数之间权衡。经典机制（如 Hardt 与 Talwar 提出的 K-范数机制）虽能在给定隐私预算 ε
#randomness-efficiency
共收录 2 条相关情报。
← 返回所有主题Dithered Gaussian Mechanism for Randomness-Efficient Differential Privacy
本文提出了一种新的差分隐私（DP）机制——抖动高斯机制（Dithered Gaussian Mechanism），作为传统离散高斯机制的替代方案。与离散高斯机制直接离散化噪声分布不同，抖动高斯机制通过后处理高斯机制来离散化私有输出，从而直接