重新审视（非）欧几里得空间中的差分隐私随机凸优化

基于摘要分析。本文研究欧几里得空间及一般 ℓ_p^d 空间中的差分隐私随机凸优化（DP-SCO），针对有界约束、无约束和重尾数据三类设定提出算法与理论风险保证，主要贡献是刻画约束几何及空间结构对隐私优化误差的影响。 在欧几里得空间的有界凸约束集上，作者分别讨论凸损失和强凸损失。作者报告，所提方法的期望超额总体风险界依赖约束集的 Gaussian width，而非直接依赖环境维度；其中强凸情形的界在相差一个对数因子的意义下达到最优。该结论应结合约束集几何理解，不能据此推断任意高维问题都具有与维度无关的误差。 另外两类问题分别是 ℓ_p^d 空间中的无约束 DP-SCO，以及该空间中有界凸约束集上的重尾数据 DP-SCO。作者提出若干算法，并声称针对这两类问题，在 1<p<2 和 2≤p≤∞ 两个区间均给出了首批理论结果。摘要未提供具体风险界、隐私参数、重尾矩条件或算法更新形式，这些适用条件及证明细节尚未验证。 本文主要对象是隐私约束下的凸优化理论，并非 EEG 解码或 BCI 系统。平台推测（待验证）：若 EEG 特征上的凸预测任务具有可定义的约束集，相关方法可能用于分析隐私保护与预测风险的权衡；但需先核对隐私保护单位是试次还是被试，以及被试内相关性是否满足理论采样假设。可复用的候选部分是约束几何与风险分析，数据组织和隐私邻接定义则需改造；低信噪比、小样本及跨被试分布差异可能使隐私扰动的影响加重。当前尚不足以制定具体复现实验，已有 EEG 相关工作尚未检索确认。