发表机构
Università degli Studi dell’Insubria; Random Power Srl（因苏布里亚大学; Random Power有限公司）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文检测并解决了 OpenDP 离散拉普拉斯采样器中的周期性伪影，通过诊断定位到 bernoulli_exp1 函数的有理算术库错误，提出精确有理算术替代实现，并用 10^6 样本验证修正后输出与理论分布一致。
AI 中文摘要
差分隐私实现依赖于从噪声分布中进行精确采样，以提供正式的隐私保证。我们报告了在 OpenDP 的离散拉普拉斯采样器中发现的系统性伪影，这些伪影表现为输出分布中的周期性扭曲。通过系统性测试，我们将这些伪影追溯到用于 bernoulli_exp1 函数的有理算术库中的一个错误实现，该函数是一个实现从 Bernoulli(e^(-x)) 分布采样的低级原语。我们提出了一种诊断方法，该方法在嵌套采样层次中隔离出有问题的组件，并提出了一种基于精确有理算术的替代实现，以消除这些伪影。使用 10^6 个样本进行的统计验证确认，修正后的采样器在测试的精度水平上产生的输出与理论分布无法区分。
英文摘要
Differential privacy implementations rely on precise sampling from noise distributions to provide formal privacy guarantees. We report the discovery of systematic artifacts in OpenDP's discrete Laplace sampler that manifest as periodic distortions in the output distribution. Through systematic testing, we trace these artifacts to a faulty implementation in the rational arithmetic library used by the bernoulli_exp1 function, a low-level primitive that implements sampling from Bernoulli(e^(-x)) distributions. We present a diagnostic methodology that isolates the faulty component in the nested sampling hierarchy and propose an alternative implementation based on exact rational arithmetic that eliminates the artifacts. Statistical validation with 10^6 samples confirms that the corrected sampler produces outputs indistinguishable from the theoretical distribution at the tested precision level.
