隐私损失分配(PLD)在差异隐私(DP)的背景下对机制的隐私损失进行了严格的特征。最近的工作表明,与其他已知方法相比,基于PLD的会计允许更紧密的$(\ Varepsilon,\ delta)$ - DP保证。基于PLD的会计中的一个关键问题是如何在任何指定的离散支持上近似任何(潜在的连续)PLD。我们提出了解决这个问题的新方法。我们的方法都支持悲观的估计,它高估了曲棍球刺激的差异(即$ \ delta $)的任何值的$ \ varepsilon $和乐观的估计,从而低估了曲棍球粘贴的分歧。此外,我们表明,在所有悲观估计中,我们的悲观估计是最好的。实验评估表明,与以前的方法相比,我们的方法可以在更大的离散时间间隔内工作,同时保持相似的误差,但比现有方法更近似。
translated by 谷歌翻译