基于高斯先验的 Rényi Pufferfish Privacy：从单一高斯到混合模型
Rényi Pufferfish Privacy with Gaussian-based Priors: From Single Gaussian to Mixture Model
AI 导读
研究者为相关数据隐私框架 Rényi Pufferfish Privacy（RPP）提出基于高斯先验的噪声机制，在三个 UCI 数据集上平均所需噪声比近期 RPP 加性噪声基线减少 48.9%。针对单一高斯先验，论文推导了高斯扰动后的精确 Rényi 散度，并给出 (α,ε)-RPP 的松弛闭式充分条件；对非高斯、多峰先验，用高斯混合模型近似并以最优传输给出充分条件。这些机制在统计（RAW、MEAN）与模型输出（BNN、GP）查询下均需更少噪声，改善了 RPP 的隐私-效用权衡。