Rènyi散度
定义在概率分布上的广义散度族，由参数α控制，α→1时退化为KL散度，α→∞时趋近于最大散度
时间轴 (近 90 天)
Rènyi差分隐私（RDP）基于Rènyi散度定义，相比纯差分隐私提供更紧的隐私损失组合，在机器学习与统计分析中广泛使用。
除了高斯机制等少数情况，Rènyi散度的计算通常没有闭式解，数值计算面临高维积分难题。
论文创新性地采用escort分布来构建KSD，escort分布能够突出分布中与隐私损失相关的区域，使KSD更敏感地捕捉Rènyi散度的变化。
作者设计了基于escort分布的核函数，使得KSD成为Rènyi散度的一个可计算上界，且通过选择不同核函数可调节证书的紧致性。
论文给出了高斯机制和拉普拉斯机制的精确恒等式，即KSD证书恰好等于Rènyi散度（在特定核下）；对于指数机制则给出了上界。
Rènyi散度是定义在概率分布上的广义散度族，由参数α（α>0, α≠1）控制；当α→1时退化为KL散度，α→∞时趋近于最大散度。
Escort分布通过p(x)^β / Z重新加权（β为参数），放大或缩小原分布的高密度区域，使KSD对Rènyi散度中指数项更敏感。
全部知识事实 (7)
Rènyi差分隐私（RDP）基于Rènyi散度定义，相比纯差分隐私提供更紧的隐私损失组合，在机器学习与统计分析中广泛使用。
50%待验证除了高斯机制等少数情况，Rènyi散度的计算通常没有闭式解，数值计算面临高维积分难题。
50%待验证论文创新性地采用escort分布来构建KSD，escort分布能够突出分布中与隐私损失相关的区域，使KSD更敏感地捕捉Rènyi散度的变化。
50%待验证作者设计了基于escort分布的核函数，使得KSD成为Rènyi散度的一个可计算上界，且通过选择不同核函数可调节证书的紧致性。
50%待验证论文给出了高斯机制和拉普拉斯机制的精确恒等式，即KSD证书恰好等于Rènyi散度（在特定核下）；对于指数机制则给出了上界。
50%待验证Rènyi散度是定义在概率分布上的广义散度族，由参数α（α>0, α≠1）控制；当α→1时退化为KL散度，α→∞时趋近于最大散度。
50%待验证Escort分布通过p(x)^β / Z重新加权（β为参数），放大或缩小原分布的高密度区域，使KSD对Rènyi散度中指数项更敏感。
50%