放宽局部差分隐私约束下的更优密度估计率

全变差距离放宽的局部差分隐私（α-TV-LDP）为密度估计提供了新切角。引入对称伽马分布噪声后，反卷积估计器在索伯列夫平滑类上获得接近非隐私极小化极大的收敛界 (nα)^{-(2r-1)/(2r)}。应用于神经网络时无需像 DP-SGD 般逐轮扰动梯度，在隐私与统计效能间留下了更平滑的折中。