全变分遇上差分隐私

本文考虑近似差分隐私的框架，并通过借助“（隐私保护）机制的全变分”（记为 $\eta$-TV）这一概念对其进行增强。借助这一细化，我们推导出一个精确的复合结果，并证明其显著紧于差分隐私的最优界（那些未考虑全变分的界）。此外，我们证明了带 $\eta$-TV 的 $(\varepsilon,\delta)$-DP 在子采样下是封闭的。我们计算了常用机制的诱导全变分。而且，我们在本地隐私设定下研究了机制的全变分概念，并探讨了隐私-效用权衡。特别地，将全变分距离和 KL 散度作为效用函数，并通过收缩系数的视角加以研究。最后，我们将结果与本地差分隐私设定进行比较并建立了联系。