面向持续机器遗忘的极小化极大高斯机制

研究针对序列删除请求下的牛顿更新提出高斯机制，利用高斯差分隐私证明发布的模型序列在统计上难以与完全重新训练区分。在删除上限 M 下，基于计数的随机游走噪声渐近匹配单次发布的最坏情况方差，优于引入 M 阶因子的独立噪声。结合删除记录梯度与 Hessian 的集合界限可进一步降低方差，并在部分数据序列上带来 $(\log M)^2$ 阶改进。