3.4.1.1 Laplace 与 Gaussian 噪声

文档摘要

3.4.1.1 Laplace 与 Gaussian 噪声 3.4.1.1 Laplace 与 Gaussian 噪声想象一下，你正调试一个联邦学习系统，客户端上传的梯度突然像被狂风卷过的沙尘暴，模型准确率从85%直线坠落到40%。日志里满是“梯度范数爆炸”的警报，你挠头想：这噪声加得对了吗？Laplace噪声还是Gaussian噪声？参数ε和δ调得准不准？作为一名深耕隐私保护的实战工程师，我见过太多这样的场景。噪声机制本是为差分隐私（DP）保驾护航，却常常成为性能杀手。今天，我们直击这个痛点：在实际部署中，如何精准选择和优化Laplace与Gaussian噪声，避免“噪声溢出”故障。通过一个真实的故障排查案例，我带你一步步拆解，提供可复用的PyTorch代码片段和调优公式。