基于灵敏度采样的无痛随机差分隐私

流行的差分隐私方法，如拉普拉斯机制和指数机制，通过目标非隐私函数的全局灵敏度来校准随机平滑。界定此类灵敏度通常是一项极其复杂的分析计算。作为替代方案，我们提出一种直接的采样器，用于估计非隐私机制的灵敏度。由于我们的灵敏度估计以高概率成立，任何在有限全局灵敏度下满足 (ε, δ)-差分隐私的机制，无需任何特定于目标的计算，即可自动实现 (ε, δ, γ)-随机差分隐私。我们通过实例学习器展示了这种易用方法如何采用一种自然宽松的隐私保证，同时即使对于作为黑盒计算机程序的非隐私函数，也能实现更准确的发布。