Sliced Rényi Pufferfish Privacy：方向性加性噪声机制与带梯度裁剪的私有学习
Sliced Rényi Pufferfish Privacy: Directional Additive Noise Mechanism and Private Learning with Gradient Clipping
AI 导读
研究者提出 Sliced Rényi Pufferfish Privacy（SRPP）隐私框架，用投影式切片度量取代高维 Rényi 散度，以应对 RPP 的维度灾难与迭代学习组合工具缺失。配套 sliced Wasserstein 机制实现闭式高斯噪声校准，并提出带梯度裁剪的 SRPP-SGD 及基于 History-Uniform Caps（HUC）与子采样变体 sa-HUC 的隐私会计器。静态与迭代私有化实验显示该框架具有良好的隐私-效用权衡与实用可扩展性。