拉普拉斯定理_差分隐私（三）- 指数，高斯，拉普拉斯机制

差分隐私中的三种机制

在应用差分隐私进行隐私保护中，需要处理的数据主要分为两大类，一类是数值型的数据，比如说数据集中已婚人士的数量；另外一类是非数值型的数据，比如喜欢人数最多的颜色。这两者，主体分别是数量(连续数据)和颜色(离散数据)

• 对于数值型的数据，一般采用Laplace或者高斯机制，对得到数值结果加入随机噪声即可实现差分隐私；
• 而对于非数值型的数据，一般采用指数机制并引入一个打分函数，对每一种可能的输出都得到一个分数，归一化之后作为查询返回的概率值。比如现在有
  ，将数量作为
  打分函数，那么得到对应输出概率为
  ，当接收到一个查询之后，就以对应的概率值返回结果。

下面分别从数值型和非数值型两个方面对三种机制进行介绍。

1 - 数值型查询

1.1 Laplace机制

定义-敏感度

首先定义一下敏感度，它代表的意思是对于两个兄弟数据集（只相差一个元素）

，一个查询函数

最大的变化范围，比如查询数量，敏感度就是1。

敏感度是和查询函数相关的，而这里的定义主要是为了后面满足差分隐私的证明。

理论-Laplace机制

其中，

表示的是查询函数，

表示的是Laplace随机噪声，

表示的是最后的返回结果。

定义- 噪声