扩散模型采样阶段的隐私核算：面向经验去噪器的隐私损失分析

研究提出对扩散模型采样过程本身进行隐私核算的方法，构建了无需训练的裁剪式经验去噪器，其单步敏感度可显式计算，使每个去噪步骤构成高斯机制。在 CIFAR-10 和 CelebA-64 上的结果显示，隐私损失在语义内容形成的关键窗口附近急剧上升，据此提出在形成阶段使用私有经验去噪器、后续精修阶段切换公开神经去噪器的混合采样器。隐私性不仅取决于训练过程，也取决于子采样、停止时间和混合去噪等采样设计选择。