PFR

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。

PFR的构造依赖两个基本组件：一个凹的友好性评分函数，以及一个仅对友好记录增删满足DP的发布机制。

FriendlyCore可被视为PFR的一个具体实现。

PFR可实例化到多个场景，包括标量统计、主成分子空间估计、用户直方图的KL散度计算、图的有效电阻以及治疗规则选择。

PFR继承PTR的“先检验后发布”思想，但将“测试”替换为“过滤”，通过隐私化过滤直接构造满足低敏感度条件的子集，再发布结果。

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。

在差分隐私PCA中，协方差矩阵对异常值敏感，少量极端记录可能主导主成分方向；PFR通过过滤异常记录再估计主成分子空间来获得更稳定的降维结果。

PFR的通用性以理论复杂性为代价：实现私有过滤步骤需要额外的隐私预算分配，且公开条件对记录数的要求可能在小样本场景下难以满足。

友好性评分的凹凸性约束可能限制PFR在某些统计量上的直接应用。

研究并未给出PFR所有实例的完整效用分析，实际部署前仍需对具体场景做评估。