迈向数据分析中的实用差分隐私：理解Epsilon在私有ERM效用上的影响

本文关注私有经验风险最小化（ERM），这是最常用的数据分析方法之一。我们迈出解决上述问题的第一步，从理论上探究epsilon（差分隐私中决定隐私保护强度的参数）对学习模型效用的影响。我们追踪效用随epsilon修改的变化，并揭示epsilon与效用之间既有的关系。随后我们形式化该关系，并提出一种在任意epsilon值下估计效用的实用方法。理论分析与实验结果均表明，我们的方法估计精度高，且在实际应用中具有广泛适用性。随着提供兼具强效用保证并尽可能给予隐私的算法日益被接受，我们的方法将具有很高的实用价值，并可能被那些希望保护隐私但不愿在效用上妥协的公司和组织所采用。