满足差分隐私中效用约束的隐私增强方法

数据工程通常需要对结果施加准确性（效用）约束，这在设计差分隐私（DP）机制时构成重大挑战，特别是在严格的隐私参数 $\epsilon$ 下。在本文中，我们提出了一种与大多数加噪DP机制兼容的隐私增强框架。我们的框架提高了输出落在期望支持子集内的概率以满足效用要求，同时扩大总体方差以减少隐私泄露。我们刻画了该框架的隐私损失分布，并给出了 $(\epsilon,\delta)$-DP 和Rényi DP（RDP）保证的隐私特征表述。我们研究了涉及数据依赖和数据独立效用表述的特殊情况。通过大量实验，我们证明我们的框架在效用约束下比标准DP机制实现了更低的隐私损失。值得注意的是，当查询敏感度相对于真实答案较大时，我们的方法在减少隐私损失方面特别有效，为设计满足特定效用约束的差分隐私机制提供了一种更实用和灵活的方法。