精确极小极大最优的局部差分隐私采样

局部差分隐私下的采样问题近期因其在生成模型中的潜在应用而受到研究，但对其隐私-效用权衡（PUT）的基础分析仍不完整。在这项工作中，我们使用原始分布与采样分布之间的 f-散度作为效用度量，在极小极大意义上定义了隐私采样的基础 PUT。我们在数据分布满足某些温和条件的情况下，刻画了有限和连续数据空间下的精确 PUT，并提出了对所有 f-散度都普遍最优的采样机制。我们的数值实验表明，无论是在有限数据空间的理论效用还是连续数据空间的经验效用方面，我们的机制都优于基线方法。