【差分隐私】假设检验的视角（高斯差分隐私）

在差分隐私中，假设检验的框架被用来量化攻击者通过机制输出区分两个相邻数据集 $S$ 和 $S^{\prime }$ 的难度。这种区分的根本困难直接反映了隐私保护强度。以下是对问题的详细解释：

---

1. 假设检验的基本设定

• 原假设 $H_0$：数据集为 $S$，对应机制输出分布 $P=M(S)$。
• 备择假设 $H_1$：数据集为 $S^{\prime }$，对应机制输出分布 $Q=M(S^{\prime })$。
• 拒绝规则 $\varphi$：一个函数 $\varphi :\text{输出域}\to [0,1]$，表示基于机制输出结果拒绝 $H_0$ 的概率。例如：
  • 若 $\varphi (\text{输出})=1$，则完全拒绝 $H_0$；
  • 若 $\varphi (\text{输出})=0$，则完全接受 $H_0$；
  • 若 $\varphi (\text{输出})=0.7$，则以 70% 的概率拒绝 $H_0$。

---

2. 第一类错误与第二类错误的定义

• 第一类错误（Type I Error, ${\alpha }_{\varphi }$）：

  • 定义：当数据实际来自 $S$（即 $H_0$ 为真）时，错误拒绝 $H_0$ 的概率。
  • 公式：${\alpha }_{\varphi }={\mathbb{E}}_P[\varphi ]=\int \varphi (\text{输出})dP(\text{输出})$。
  • 直观解释：攻击者在数据为 $S$ 时误判为 $S^{\prime }$ 的概率，对应“假阳性”。

• 第二类错误（Type II Error, ${\beta }_{\varphi }$）：

  • 定义：当数据实际来自 $S^{\prime }$（即 $H_1$ 为真）时，错误接受 $H_0$ 的概率。
  • 公式：${\beta }_{\varphi }=1-{\mathbb{E}}_Q[\varphi ]=1-\int \varphi (\text{输出})dQ(\text{输出})$。
  • 直观解释：攻击者在数据为 $S^{\prime }$ 时未能拒绝 $H_0$ 的概率，对应“假阴性”。

---

3. 错误权衡与隐私保护的关系

(1) 错误权衡曲线（ROC Curve）

攻击者需在两种错误之间权衡：降低 ${\alpha }_{\varphi }$（减少误判）会增加 ${\beta }_{\varphi }$（漏判风险），反之亦然。

• 理想情况：若 $P=Q$（即机制无法区分 $S$ 和 $S^{\prime }$），则所有 $\varphi$ 均满足 ${\alpha }_{\varphi }=1-{\beta }_{\varphi }$，即错误完全不可分。
• 实际隐私机制：差分隐私要求 $P$ 和 $Q$ 足够接近，使得任何 $\varphi$ 的 ${\alpha }_{\varphi }$ 和 ${\beta }_{\varphi }$ 均无法同时很小。

(2) 差分隐私的约束

对于满足 $(ϵ,0)$-差分隐私的机制 $M$，所有事件 $A$ 满足：
$$P(A)\le e^{ϵ}Q(A)\text{和}Q(A)\le e^{ϵ}P(A).$$
代入拒绝规则 $\varphi$，可推导出：
$${\alpha }_{\varphi }+e^{ϵ}{\beta }_{\varphi }\ge 1\text{（约束攻击者的错误权衡）}.$$

• 含义：当 $ϵ\to 0$ 时，${\alpha }_{\varphi }+{\beta }_{\varphi }\ge 1$，即攻击者无法同时降低两种错误（隐私性最强）；
• 当 $ϵ$ 增大时，约束放宽，攻击者可能找到更好的 $\varphi$ 降低错误率（隐私性减弱）。

---

4. 数学推导示例

以 $(ϵ,0)$-DP 为例，对任意拒绝规则 $\varphi$，有：
$${\mathbb{E}}_P[\varphi ]\le e^{ϵ}{\mathbb{E}}_Q[\varphi ]+\delta (\text{当 }\delta =0\text{ 时}).$$
代入 ${\alpha }_{\varphi }={\mathbb{E}}_P[\varphi ]$ 和 ${\beta }_{\varphi }=1-{\mathbb{E}}_Q[\varphi ]$，可得：
$${\alpha }_{\varphi }\le e^{ϵ}(1-{\beta }_{\varphi }).$$
整理得：
$${\alpha }_{\varphi }+e^{ϵ}{\beta }_{\varphi }\ge 1.$$
这表明攻击者的错误率必须满足此不等式，从而无法自由优化两类错误。

---

5. 直观解释

• 隐私保护视角：差分隐私通过限制分布 $P$ 和 $Q$ 的相似性，使得攻击者无法设计高效的拒绝规则 $\varphi$ 来显著降低错误率。
• 技术本质：无论攻击者如何选择 $\varphi$，其区分 $S$ 和 $S^{\prime }$ 的能力被机制 $M$ 的隐私参数 $ϵ$ 严格约束。
• 极端情况：
  • 若 $ϵ=0$，则 $P=Q$，此时 ${\alpha }_{\varphi }+{\beta }_{\varphi }=1$（完全无法区分）；
  • 若 $ϵ\to \infty$，则约束消失，攻击者可能完美区分 $S$ 和 $S^{\prime }$。

---

6. 实际意义

• 评估隐私机制：通过分析最优 $\varphi$ 的错误率，可量化机制的实际隐私泄露风险。
• 设计隐私算法：在机制设计中需确保 $P$ 和 $Q$ 的相似性满足差分隐私约束，从而限制攻击者的假设检验能力。
• 与统计检验的联系：Neyman-Pearson引理指出，似然比检验是最优的，但差分隐私通过限制似然比的上界（$e^{ϵ}$）直接约束了检验的效力。

---

总结

第一类错误（${\alpha }_{\varphi }$）和第二类错误（${\beta }_{\varphi }$）的定义反映了攻击者通过机制输出区分相邻数据集的困难程度。差分隐私通过数学约束 $P$ 和 $Q$ 的相似性，使得攻击者无法同时降低两种错误率，从而保护个体隐私。这种错误权衡的严格约束是差分隐私理论的核心贡献之一。