随机分配采样

在差分隐私随机分配采样中，每个用户的数据会被随机且均匀地从t个步骤中选取k个步骤使用。

随机分配采样中，由于每个用户的参与步数固定为k，隐私预算在步骤间分布更均匀，避免了泊松采样下某些用户可能恰好参与过多步的尾部风险。

固定基数采样破坏了步骤间的独立性，其隐私损失核算无法直接套用泊松采样的分解公式，需要专门处理。

随机分配采样在联邦学习和分布式优化中具有广泛应用，而隐私核算的效率一直是制约其落地的关键因素之一。