通过面向扩散模型的 PAC-Private 适配保护图像合成中的敏感数据

针对扩散模型易受重建攻击及 DP-SGD 导致生成质量显著下降的问题，研究提出一种基于 PAC 隐私（PAC-privacy）的扩散模型适配方法。该方案结合 LoRA 或 Textual Inversion 学习紧凑组件，并在优化完成后仅单次注入各向异性高斯噪声，直接保障重建隐私并避免跨梯度更新的隐私累积。在相同重建隐私下，该方法比差分隐私（DP）更好地保留了生成质量与下游分类准确率。