8.4.2 差分隐私（互信息约束）

文档摘要

8.4.2 差分隐私（互信息约束） 8.4.2 差分隐私（互信息约束）在隐私计算的演进历程中，传统的 $\epsilon$-差分隐私（Differential Privacy, DP）以其严谨的数学定义和对攻击者能力的强假设，成为了学术界与工业界的黄金标准。然而，随着深度学习与大规模分布式计算的深度融合，工程师们在实践中逐渐发现，基于拉普拉斯或高斯机制的传统 DP 往往会在保护隐私的同时，对数据的统计特征造成过度破坏，导致模型效用（Utility）的大幅下降。为了在隐私保护与数据价值之间寻找更精细的平衡，引入信息论中的“互信息（Mutual Information, MI）”作为约束条件，成为了一种极具前景的进阶方案。