待验证50% 置信事实精确时间
PLD核算器通过计算隐私损失随机变量的完整分布来精确评估差分隐私保证，直接对隐私损失分布的似然比进行数值卷积，从而在相同隐私预算下给出更紧致的ε下界。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证差分隐私是一种严格的隐私数学定义：一个随机算法满足(ε, δ)-DP，若任意相邻数据集上的输出分布差异被ε和δ约束；ε越小隐私保护越强，但通常以模型效用下降为代价。78% 相似待验证Rènyi差分隐私（RDP）基于Rènyi散度定义，相比纯差分隐私提供更紧的隐私损失组合，在机器学习与统计分析中广泛使用。72% 相似待验证DP-SGD 通过在梯度中加入高斯噪声来保护隐私，隐私会计工具（如 Rényi DP 或 zCDP）能精确计算累计隐私损失。68% 相似已验证差分隐私（Differential Privacy）由Cynthia Dwork在2006年形式化定义，其核心保证是算法输出不会因数据集中任何单个记录的加入或移除而发生显著变化67% 相似待验证差分隐私随机梯度下降（DP-SGD）已成为训练隐私敏感模型的事实标准67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1125646API
curl https://kongchang.com/api/v1/knowledge/claims/1125646MCP
get_claim(id=1125646)