가우시안 차분 프라이버시 (Gaussian Differential Privacy)에서 $\mu$ 파라미터 선택에 관하여

최근 연구들은 프라이버시 보존 머신러닝 (privacy-preserving machine learning)에서 프라이버시 보장 수준을 보고하기 위해 가우시안 차분 프라이버시 (Gaussian Differential Privacy, GDP)를 사용할 것을 주장합니다. 본 연구에서는 세 가지 지표, 즉 고정된 FPR (False Positive Rate, 거짓 양성률)에서의 승률 이득 (multiplicative advantage), 고정된 recall (재현율)에서의 precision (정밀도), 그리고 표준 프라이버시 프로파일 (standard privacy profile) 측면에서 강력한 적대적 멤버십 추론 공격 (adversary membership inference attack)의 최악의 경우 성공률을 일치시킴으로써, 순수 차분 프라이버시 (pure-DP) $\varepsilon$에서 GDP $\mu$로의 원칙적인 매핑을 제공합니다. 우리는 유용한 파라미터 범위에 걸친 $\mu$ 값들을 표로 정리하였으며, 보수적인 범용 변환법으로 $\mu \approx \varepsilon/5$를 권장합니다.