基于统计的合成数据生成中的Rényi差分隐私

合成数据生成的隐私保护常使用差分隐私统计量与模型参数来定量表达理论安全性。然而，这些方法未考虑数据生成随机性所带来的隐私保护。本文中，我们针对一种使用原始数据集均值向量与协方差矩阵的合成数据生成方法，从理论上评估其数据生成随机性的Rényi差分隐私。具体地，对固定 $\alpha > 1$，我们分别给出在有限邻域条件与无界邻域条件下，使该合成数据生成满足 $(\alpha, \varepsilon)$-Rényi差分隐私的 $\varepsilon$ 条件。特别地，在无界条件下，当原始数据集与合成数据集规模均为一千万时，该机制满足 $(4, 0.576)$-Rényi差分隐私。我们还表明，当将其转换为传统的 $(\varepsilon, \delta)$-差分隐私时，该机制满足 $(4.00, 10^{-10})$-差分隐私。