跳到正文
原文
arXiv stat.ML· Ruyu Zhou, Fang Liu·· 19 天前AI 评分32

后验采样的内在隐私性研究:统一的 Rényi 散度分析框架

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

AI 导读

研究者提出了一个基于 Rényi 散度的统一分析框架,用于刻画从贝叶斯后验分布中采样的内在差分隐私(DP)保证。该理论表明单次后验采样(OPS)的隐私损失由单条记录对数似然比的后验指数矩决定,并在一致有界、次高斯或次指数尾部条件下建立了显式 DP 保证。该框架适用于分类似然、高斯共轭对及广义线性模型等,不仅提供了更紧的隐私损失界,还拓展了支持严格隐私分析的贝叶斯模型范围。

来源:arXiv stat.ML · arxiv.org