知识卡片：基于切片切比雪夫矩的差分隐私合成数据

一句话结论

SPLICE 通过测量带噪的切片切比雪夫多项式矩并拟合分布，在高维数据上实现了与维度无关的全局分布保证（Sliced Wasserstein-1 距离 $\tilde{O}(1/\sqrt{n})$），并在基准测试中达到差分隐私合成数据的当前最优水平。

事件概述或研究问题

现有实用的差分隐私（DP）合成数据方法主要致力于近似保留目标分布的低维边缘，高维全局结构只能寄希望于“幸运的副产品”；而追求全局精度保证的方法则面临随数据维度 $d$ 指数增长的代价（维度灾难）。本文提出新算法 SPLICE，试图在高维场景下同时获得可证明的全局分布保证与实用性能。

方法/产品要点

• 核心思路：测量目标分布的带噪切片切比雪夫多项式矩，再拟合一个分布去匹配这些矩；这是对近期一维合成数据多项式方法的推广/变体。
• 理论保证：给定 $n$ 个样本，在常数隐私参数下，SPLICE 返回的私有分布与目标分布的 Sliced Wasserstein-1 距离为 $\tilde{O}(1/\sqrt{n})$，且该界不依赖数据维度 $d$。
• 辅助理论结果：对单位球上的分布，沿 $\tilde{O}(d/\alpha^2)$ 个随机方向匹配前 $O(1/\alpha)$ 个切比雪夫矩，即可保证 $\alpha$ 的 Sliced Wasserstein 误差。
• 工程实现：借鉴张量分解文献中的工具给出实用实现，并在广泛基准上与既有 DP 合成数据方法对比达到当前最优。

主要结果或产业意义

• 理论上突破了 DP 合成数据全局精度保证对维度的指数依赖，给出维度无关的收敛界。
• 实验上在广泛基准中优于先前 DP 合成数据方法，说明该方法不仅理论优雅，也具备实用竞争力。
• 附带一个独立的矩匹配结论，可能对分布逼近相关研究有单独参考价值。

为什么重要

DP 合成数据长期在“实用（保边缘）”与“可证明（保全局）”之间取舍：前者高维全局结构无保证，后者受维度灾难困扰。SPLICE 声称同时缓解这两者，若其结论成立，将为高维隐私数据发布提供兼具理论保证与实测性能的路线，并与既有的 DP 降维/隐私统计分析脉络（如面向高斯数据的差分隐私 PCA）形成互补——前者面向合成数据生成，后者面向主成分估计，增量在于全局分布保证与维度无关界。

局限与不确定性

• 理论界针对常数隐私参数；更严格隐私预算下的表现待核实。
• 矩匹配结果的适用前提是单位球上的分布，一般数据分布需何种预处理/假设，待核实。
• “state-of-the-art”的比较范围、基准数据集与具体指标，摘要未展开，待核实。
• 实际运行时间与可扩展性（尤其张量分解实现的开销）待核实。

可用于图书/PPT/简报的角度

• “维度灾难”在隐私合成数据中的表现，以及用随机切片矩绕开维度依赖的思路。
• 从低维边缘保留到全局分布保证：DP 合成数据方法谱系的对比框架。
• 切比雪夫多项式矩 + 张量分解：经典数值工具在现代隐私学习中的复用。
• 理论保证与工程实现并重的算法设计范式（可证明 + 基准领先）。

原始材料

• 标题：Differentially Private Synthetic Data from Sliced Chebyshev Moments
• 作者：Lucas Rosenblatt, R. Teal Witter, Christopher Musco
• arXiv ID：2610.42081v1（cs.LG；交叉 cs.CY, cs.DS）
• 发布/更新：2026-10-30T17:34:58Z
• 摘要页：https://arxiv.org/abs/2610.42081v1
• PDF：https://arxiv.org/pdf/2610.42081v1
• 关键词：differentially private synthetic data；sliced Chebyshev moments；Sliced Wasserstein distance；curse of dimensionality；tensor decomposition