近日，CCF A类顶会ACM SIGMOD2026国际会议录用结果揭晓，我院李攀教授与德州理工大学季天溪教授合作的论文“Privacy Loss of Noise Perturbation via Concentration Analysis of A Product Measure”录用为大会长文。
该论文从随机几何视角解释差分隐私，并提出新颖的 product noise 。在几何视角下，该噪声可以将传统的隐私损失随机变量(privacy loss random variable, PLRV)刻画为 shifted-chi 变量与基于beta-prime 诱导变量的乘积测度。论文证明，与文献中常见的高斯形式的 PLRV 相比，该乘积测度具有极强的测度集中性质。因此product noise在更小的噪声幅度下可以取得比传统噪声更加严格的差分隐私保护。在实际隐私机器学习中，基于 product noise 获得的隐私模型可以同时提供更高的可用性和更强的隐私保护。
