利用输出特定且数据解析的隐私轮廓探查机器学习模型中数据集级隐私的过渡

差分隐私（DP）是机器学习模型中保护用户数据的主流技术。然而该框架的缺陷包括：缺乏选择隐私预算 $\epsilon$ 的清晰依据，以及缺乏对特定训练模型针对特定数据行的隐私泄漏的量化。我们通过研究一种隐私度量来推进解决这些局限并给出可视化DP结果的新视角，该度量量化了使用DP机制在数据集上训练的模型被各相邻数据集训练所得分布“覆盖”的程度。我们将此覆盖度量与已有文献建立联系，并用其对我们所称的隐私轮廓中来自训练集的个体样本隐私进行排序。我们进一步表明，该隐私轮廓可用于探查随着 $\epsilon$ 减小而在相邻分布中发生的可观察的不可区分性过渡，我们认为这可作为工具，帮助希望使用DP的机器学习从业者选择 $\epsilon$。