摘要
差分隐私应用广泛，但其算法设计与验证需专家级推理，门槛较高。现有方法或依赖专用语言，或需人工介入。本文探讨大语言模型自动化差分隐私推理的潜力，提出 DPrivBench 基准，涵盖多主题与难度层级，旨在避免简单模式匹配。实验表明，最强模型虽能处理基础机制，但在高级算法上表现不佳，暴露出当前推理能力的显著差距。通过失败模式分析，本文指出了改进方向，为开发评估此类方法奠定基础。
AI 推荐理由
论文核心评估 LLM 在差分隐私领域的专业推理能力，构建基准并分析推理缺口。
研究机构
Halcoglu Data Science Institute, UC San Diego
Department of Computer Science and Engineering, UC San Diego
Department of Electrical Engineering, National Taiwan University
论文信息