跳到正文
arXiv stat.ML· Ruyu Zhou, Fang Liu·· 5 小时前AI 评分22

后验采样的固有隐私性:一个统一的 Rényi 散度框架

On Inherent Privacy of Posterior Sampling: A Unified R\'enyi-Divergence Framework

AI 导读

研究者提出统一的 Rényi 散度框架,刻画从贝叶斯后验分布采样(OPS)的固有差分隐私保证,证明其隐私损失由单条记录对数似然比的后验指数矩决定。该框架在一致有界、次高斯和次指数尾部分布下给出显式 DP 保证,并应用于分类似然、高斯-高斯共轭对、广义线性模型及高斯似然线性回归等模型。

来源:arXiv stat.ML · arxiv.org