KNG：K-范数梯度机制

本文提出一种用于生成满足差分隐私的净化统计摘要的新机制，称为 K-范数梯度机制（K-Norm Gradient Mechanism，KNG）。该方法保持了指数机制的强灵活性，同时实现了目标扰动的有力效用表现。KNG 从一个固有目标函数（通常为经验风险）出发，依据目标函数梯度离零的距离进行加权，从而偏好接近最小化该目标的摘要。使用梯度而非原始目标函数带来了额外灵活性，因为可使用不同范数进行惩罚。我们证明，与指数机制不同，对许多问题而言 KNG 所加噪声相较于统计误差在渐近意义下可忽略。除隐私与效用的理论保证外，我们还在线性与分位数回归设定下通过仿真证实了 KNG 的效用。