研究表明，现有的差分隐私（DP）合成数据方法主要保留低维边缘分布，只有在运气好的情况下才能捕获高维全局结构。而直接针对全局精度的方案往往会因数据维度 $d$ 的指数成本而失效。为了解决这一维度诅咒，本文提出了 SPLICE 算法，它在高维下仍能提供强全局分布保证，并在实际实验中达到最新水平。SPLICE 的核心是对目标分布的切片切比雪夫多项式矩进行噪声测量，然后拟合一个分布使其矩匹配，这相当于对最近的 1‑维多项式合成方法的扩展。我们证明，给定 $n$ 条样本，SPLICE 在常数隐私参数下返回的私有分布与目标分布的切片 Wasserstein‑1 距离为 $\tilde{O}(1/\sqrt{n})$，该上界与维度 $d$ 无关。沿此思路，我们还证明了一个独立有趣的矩匹配结果：对单位球上的分布，沿 $\tilde{O}(d/\alpha^2)$ 个随机方向匹配前 $O(1/\alpha)$ 个切比雪夫矩即可保证 $\alpha$ 的切片 Wasserstein 误差。实现层面，算法借鉴了张量分解文献的工具，在多个基准上显著超越了已有的 DP 合成数据方法。
点评