提出在高斯差分隐私中选择μ参数的合理方法，便于实际应用。
On Choosing the $μ$ Parameter in Gaussian Differential Privacy
- 通过匹配强敌手成员推断攻击的性能，建立纯差分隐私ε到高斯差分隐私μ的映射
- 给出不同ε值对应的μ值表，推荐μ≈ε/5作为保守通用转换
- 适用于关注隐私保障可解释性的机器学习研究者
近期工作主张在隐私保护机器学习中使用高斯差分隐私（GDP）报告隐私保证。本文通过匹配强敌手在成员推断攻击中的最坏情况表现，基于三个指标：固定误报率下的乘法优势、固定召回率下的精确率、以及标准隐私轮廓，提供了从纯差分隐私ε到高斯差分隐私μ的合理映射。我们给出了一个实用参数范围内的μ值表格，并推荐μ≈ε/5作为保守的通用转换方案。
原文摘要 · Abstract (English)
Recent work argues for using Gaussian differential privacy (GDP) to report the privacy guarantees in privacy-preserving machine learning. We provide principled mappings from pure-DP $\varepsilon$ to GDP $μ$ by matching the worst-case success of a strong-adversary membership inference attack in terms of three metrics: multiplicative advantage at fixed FPR, precision at fixed recall, and the standard privacy profile. We tabulate $μ$ values across a useful range of parameters and recommend $μ\approx \varepsilon/5$ as a conservative general-purpose conversion.
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。