基于高斯先验的 Renyi Pufferfish 隐私：从单高斯到混合模型
密码学与安全
2026-04-28 v1
摘要
Renyi Pufferfish 隐私（RPP）提供了针对相关数据的数据隐私框架，但现有的-Wasserstein 机制往往保守，牺牲数据实用性。本文在高斯和高斯混合先验下研究高斯机制的 RPP。对于单高斯先验，推导高斯扰动后的精确 Renyi 发散，获得\(α,ε\)-RPP 的松弛闭式充分条件，并刻画了校准噪声相对于隐私预算epsilonalpha$的单调性。为处理更一般的非高斯和多模态先验，本文以高斯混合模型近似秘密条件输出结果，引入基于最优传输的 RPP 充分条件。在三个 UCI 数据集上的实验中，使用统计查询（\textsc{RAW}, \textsc{MEAN}）和模型输出查询（\textsc{BNN}, \textsc{GP}）表明，所提先验感知机制 consistently 比近期 RPP 加性噪声基线所需噪声更少，平均噪声降低 48.9\%。这些结果表明，所提机制可在 RPP 框架下显著改善隐私-实用性权衡。
引用
@article{arxiv.2604.23649,
title = {R\'enyi Pufferfish Privacy with Gaussian-based Priors: From Single Gaussian to Mixture Model},
author = {Wenjin Yang and Ni Ding and Zijian Zhang and Zhen Li and Jing Sun and Jincheng An and Yong Liu and Liehuang Zhu},
journal= {arXiv preprint arXiv:2604.23649},
year = {2026}
}