通过多阶段采样技术（MUST）增强隐私、效用与计算效率之间的权衡

将随机化算法应用于子集而非整个数据集可以增强隐私保证。我们提出了一类子采样方法“多阶段采样技术（MUST）”，用于差分隐私（DP）背景下的隐私放大（PA）。我们通过新引入的概念（包括强 vs 弱 PA 效应对齐的隐私配置）对几种两阶段 MUST 程序的 PA 效应和效用进行了全面分析。我们通过 Fourier 会计算法提供了 MUST 重复应用的隐私损失组合分析。我们的理论和实证结果表明，在 $\epsilon$ 方面，MUST 提供了比常见的一阶段采样程序（包括 Poisson 采样、无放回采样和有放回采样）更强的 PA，而在 $\delta$ 上的结果则因情况而异。我们的实验表明，在相似的隐私损失下，MUST 在隐私保护（PP）输出的效用和稳定性方面不劣于一阶段子采样方法，同时增强了需要对不同数据点进行复杂函数计算的算法的计算效率。当需要 DP 保证时，MUST 可以无缝集成到随机优化算法或涉及并行或同时子采样的程序中。