估计近似差分隐私的极小极大速率

差分隐私已成为广泛接受的隐私概念，导致了众多隐私化机制的提出与部署。然而，确保隐私保证是一个易出错的过程，无论是在机制设计还是机制实现中皆是如此。若我们能从对机制的黑盒访问中以数据驱动的方式验证隐私保证，这两类错误都将大幅减少。我们将其视为一个性质估计问题，并研究估计隐私保证的精度与所需样本数之间的基本权衡。我们引入一种新颖的估计器，使用精心选定次数的多项式逼近来最优地权衡偏差与方差。利用$n$个样本，我们证明该估计器达到了使用$n \ln n$个样本的朴素插件估计器的性能，这一现象被称为有效样本量放大。所提估计器的极小极大最优性通过与匹配的基本下界进行比较得以证明。