待验证50% 置信事实精确时间
凹函数在PFR中保证隐私过滤的稳定性：评分函数的凹凸性保证删除或添加一条记录对整体评分分布的影响可控，从而使过滤步骤的隐私分析可行；非凹函数则难以精确分配隐私预算。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证PFR（Propose-Filter-Release）框架通过隐私化过滤步骤，将原本只保护典型记录增删的机制升级为在任意输入下满足标准差分隐私的通用机制。80% 相似待验证差分隐私通过注入受控噪声从数学上保证任何单条记录的加入或移除对输出结果影响可忽略不计，以隐私预算ε衡量，ε越小隐私保护越强但数据可用性越低67% 相似待验证对于Sample-DP，隐私保护作用于整个样本（即一对偏好比较），要求任意一对样本的替换不显著影响输出分布；对于Label-DP，隐私保护仅作用于标签（即偏好方向），通常通过随机响应机制实现。63% 相似待验证隐私评估不应默认沿用高维数据集的结论，而需针对表格数据的特性重新校准。62% 相似待验证持久化记忆功能引入了隐私风险，在 GDPR 和 CCPA 框架下涉及数据最小化原则、用户知情权和被遗忘权等合规义务61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1115754API
curl https://kongchang.com/api/v1/knowledge/claims/1115754MCP
get_claim(id=1115754)