用于隐私保护的随机量化器设计

本文研究了随机量化器在隐私保护中的作用。我们首先采用静态随机量化器，并研究其相应的隐私保护特性。具体而言，我们证明了足够大的量化步长能保证 $(0, \delta)$ 差分隐私。此外，量化导致的控制性能退化被评估为输出调节的跟踪误差。这两项分析刻画了由量化步长决定的隐私与控制性能之间的权衡。这一见解使我们能够有意识地将量化作为一种手段，以同时实现保持控制性能和保护隐私这两个看似冲突的目标；为此，我们进一步研究了动态随机量化器。在稳定性假设下，动态随机量化器能够在实现相同控制性能的同时，比静态量化器增强隐私保护。我们进一步通过额外施加输入高斯噪声来处理不稳定的情况。