在差别隐私中，epsilon与敏感性之间的关系是什么？

Question

在一些差分隐私(DP)论文中，它们使用epsilon作为实验结果图形的x轴，而其他论文则使用灵敏度。

1. 在DP中，epsilon和灵敏度之间的关系是什么？
2. 我如何比较不同论文的结果？

Answer 1

我先回答第二个问题。这两个概念是不同的-没有更多的信息或上下文，就无法直接比较图表或结果。

差分隐私通常是通过计算数据的函数F和2.在结果中加入一些噪声来获得的。噪声必须足够大以隐藏单个贡献，参数\varepsilon捕获“单个贡献隐藏得有多好”。

但是对于某些函数F，单个贡献可以比其他函数更多地改变真实结果。例如：

• 答案是“这家公司有多少员工有蓝眼睛？”只有在添加或删除员工时才能更改。
• 答案是“这家公司员工的平均工资是多少？”如果你取消首席执行官的薪水，就会有很大的变化。

这一概念被敏感性所抓住:可能的变化越高，敏感度就越高。通常，要获得固定的\varepsilon-differential隐私，必须在灵敏度较大时添加更多的噪声(以进行补偿)。这是这两个概念之间的典型关系。