基于广义矩匹配的差分隐私合成数据

研究者提出广义矩匹配框架，通过私有化估计矩、拟合概率测度并采样记录，生成满足 $(\varepsilon,\delta)$-差分隐私的合成数据。该方法适用于 1-Wasserstein 距离、含 Matern 与 Laplace 核的 MMD 及范数有界 ReLU 网络导出的积分概率度量。在合成记录足够时，其误差速率在固定维度下达到了极小化极大最优。