首次实现高维无界高斯采样的最优差分隐私算法

Optimal Differentially Private Sampling of Unbounded Gaussians

• 设计了基于差分隐私的高效采样方法
• 采样复杂度降至线性级别，较之前提升显著
• 适合需要高维隐私保护数据生成的研究者

本文首次提出了在(ε, δ)-差分隐私约束下，对无界高斯分布进行采样的˜O(d)样本算法。该结果相较于以往工作实现了二次级改进，解决了Ghazi、Hu、Kumar和Manurangsi提出的开放问题。

原文摘要 · Abstract (English)

We provide the first $\widetilde{\mathcal{O}}\left(d\right)$-sample algorithm for sampling from unbounded Gaussian distributions under the constraint of $\left(\varepsilon, δ\right)$-differential privacy. This is a quadratic improvement over previous results for the same problem, settling an open question of Ghazi, Hu, Kumar, and Manurangsi.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。