连点成线：隐私损失分布的更紧离散近似

隐私损失分布（PLD）在差分隐私（DP）背景下对机制的隐私损失提供了紧刻画。近期工作表明，与其他已知方法相比，基于 PLD 的核算可为许多流行机制给出更紧的 $(\varepsilon, \delta)$-DP 保证。基于 PLD 核算的一个关键问题是如何用任意指定离散支撑上的 PLD 来近似任何（可能是连续的）PLD。我们提出了解决该问题的新方法。我们的方法同时支持悲观估计（对任何 $\varepsilon$ 值高估冰球杆散度，即 $\delta$）和乐观估计（低估冰球杆散度）。此外，我们证明我们的悲观估计在所有悲观估计中是最佳可能的。实验评估表明，与先前方法相比，我们的方法可使用大得多的离散化区间，同时保持类似的误差界，却能给出优于现有方法的近似。