📊 statistics

Differentially Private Best-Arm Identification

यह शोधपत्र दो विशिष्ट गोपनीयता व्यवस्थाओं (प्रिवेसी रिजीम्स) को प्रकट करने वाले नमूना जटिलता निम्नतम सीमाओं (सैंपल कॉम्प्लेक्सिटी लोअर बाउंड्स) को स्थापित करके और क्रमशः स्थानीय और वैश्विक विभेदक गोपनीयता (डिफरेंशियल प्राइवेसी) सेटिंग्स के लिए स्पर्शोन्मुख रूप से इष्टतम एल्गोरिदम, CTB-TT और AdaP-TT* प्रस्तावित करके, विभेदक रूप से निजी सर्वश्रेष्ठ-भुजा पहचान (बेस्ट-आर्म आइडेंटिफिकेशन) की जांच करता है।

मूल लेखक: Achraf Azize, Marc Jourdan, Aymen Al Marjani, Debabrota Basu

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Achraf Azize, Marc Jourdan, Aymen Al Marjani, Debabrota Basu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डॉक्टर हैं जो एक नई दवा की सबसे प्रभावी खुराक (dose) खोजने की कोशिश कर रहे हैं। आपके पास कई विकल्प हैं (जिन्हें आप स्लॉट मशीन के "आर्म्स" कह सकते हैं), लेकिन आप नहीं जानते कि कौन सा सबसे अच्छा काम करता है। आपको एक-एक करके मरीजों पर इनका परीक्षण करना होगा।

लक्ष्य: आप जितनी जल्दी हो सके सबसे अच्छी खुराक खोजना चाहते हैं, लेकिन आपको इस बात का पूरा भरोसा होना चाहिए (मान लीजिए 99% यकीन) कि आपने सही विकल्प चुना है। इसे बेस्ट-आर्म आइडेंटिफिकेशन (Best-Arm Identification) कहा जाता है।

समस्या: हर बार जब आप एक खुराक का परीक्षण करते हैं, तो आप मरीज की प्रतिक्रिया के बारे में कुछ जानकारी प्राप्त करते हैं। यदि आप अपने परिणाम प्रकाशित करते हैं, तो आप अनजाने में उन विशिष्ट मरीजों की संवेदनशील चिकित्सा जानकारी उजागर कर सकते हैं। यह गोपनीयता (privacy) का एक बुरा सपना है।

समाधान: यह शोध पत्र एक ऐसा तरीका पेश करता है जिससे आप सबसे अच्छी खुराक खोज सकते हैं और गणितीय रूप से यह गारंटी दे सकते हैं कि कोई भी यह पता नहीं लगा पाएगा कि किस विशिष्ट मरीज की प्रतिक्रिया क्या थी। वे डिफरेंशियल प्राइवेसी (Differential Privacy - DP) की एक अवधारणा का उपयोग करते हैं। DP को एक "नॉइज़ मशीन" की तरह समझें जो आपके डेटा में थोड़ा सा शोर (static) जोड़ देती है ताकि समग्र पैटर्न स्पष्ट रहे, लेकिन व्यक्तिगत विवरण धुंधले हो जाएं।

यह शोध पत्र गोपनीयता के दो तरीकों का पता लगाता है:

लोकल प्राइवेसी (Local Privacy - "शंकालु" मरीज): मरीज डेटा भेजने से पहले स्वयं उसमें शोर (noise) जोड़ देता है। डॉक्टर कभी भी वास्तविक डेटा नहीं देखता, केवल उसका शोर वाला संस्करण ही देखता है।
ग्लोबल प्राइवेसी (Global Privacy - "विश्वसनीय" डॉक्टर): मरीज अपना वास्तविक डेटा डॉक्टर को भेजता है, लेकिन डॉक्टर रिपोर्ट प्रकाशित करने से पहले उसमें शोर जोड़ने का वादा करता है।

बड़ी खोज: दो "प्राइवेसी ज़ोन"

लेखकों ने खोजा कि सबसे अच्छी खुराक खोजने की कठिनाई इस बात पर निर्भर करती है कि गोपनीयता के नियम कितने सख्त हैं। उन्होंने दो अलग-अलग "ज़ोन" पाए:

ज़ोन 1: "फ्री लंच" ज़ोन (कम प्राइवेसी लागत)

उपमा: कल्पना करें कि आप घास के ढेर में सुई ढूंढ रहे हैं, लेकिन घास का ढेर बहुत बड़ा है और सुई बहुत स्पष्ट है।
क्या होता है: यदि आपका प्राइवेसी बजट ढीला है (यानी आपको डेटा को बहुत अधिक छिपाने की आवश्यकता नहीं है), तो आप लगभग उतनी ही तेज़ी से सबसे अच्छी खुराक पा सकते हैं जितनी कि बिना किसी गोपनीयता नियमों के। "शोर" जो आप जोड़ते हैं वह इतना कम है कि वह वास्तव में आपकी गति को धीमा नहीं करता।
परिणाम: आपको गोपनीयता मुफ्त में मिलती है।

ज़ोन 2: "हार्ड मोड" ज़ोन (उच्च प्राइवेसी लागत)

उपमा: अब कल्पना करें कि सुई बहुत छोटी है, और घास का ढेर कोहरे से बना है। आपको गोपनीयता की रक्षा के लिए इतना अधिक शोर जोड़ना पड़ता है कि डेटा बहुत धुंधला हो जाता है।
क्या होता है: यदि आपको अत्यधिक गोपनीयता चाहिए, तो "शोर" यह बताने में बहुत मुश्किल बना देता है कि एक अच्छी खुराक और एक बुरी खुराक के बीच क्या अंतर है। निश्चित होने के लिए आपको बहुत अधिक मरीजों का परीक्षण करना होगा।
परिणाम: आपको कितने मरीजों का परीक्षण करने की आवश्यकता है, यह संख्या तेजी से बढ़ती है। यह शोध पत्र सिद्ध करता है कि गोपनीयता के आधार पर यह संख्या कितनी बढ़ती है।

नए उपकरण: "स्मार्ट सर्चर्स"

इस समस्या को हल करने के लिए, लेखकों ने दो नए एल्गोरिदम (स्मार्ट खोज रणनीतियाँ) बनाए जो इन दो ज़ोन में नेविगेट करना जानते हैं।

1. "रैंडमाइज्ड व्हिस्परर" (लोकल प्राइवेसी के लिए)

यह कैसे काम करता है: यह एल्गोरिदम प्रत्येक मरीज के डेटा के साथ एक दीवार के माध्यम से फुसफुसाए गए रहस्य की तरह व्यवहार करता है। यह डेटा को तुरंत धुंधला करने के लिए "रैंडमाइज्ड रिस्पॉन्स" (जैसे सिक्का उछालकर यह तय करना कि सच बोलना है या झूठ बोलना) नामक तकनीक का उपयोग करता है।
जादू: यह चतुराई से इस धुंधले डेटा को वापस उस रूप में बदल देता है जिसे एल्गोरिदम समझ सके, जिससे यह बहुत शोर वाले डेटा के बावजूद कुशलतापूर्वक सबसे अच्छी खुराक खोज पाता है।

2. "एडाप्टिव बैच मैनेजर" (ग्लोबल प्राइवेसी के लिए)

यह कैसे काम करता है: यह विश्वसनीय डॉक्टर वाले परिदृश्य के लिए है। मरीजों को एक-एक करके देखने के बजाय, यह एल्गोरिदम मरीजों को "एपिसोड्स" (episodes) में समूहबद्ध करता है।
ट्रिक: यह "डबलिंग एंड फॉरगेटिंग" (Doubling and Forgetting) रणनीति का उपयोग करता है।
- डबलिंग: यह तब तक इंतजार करता है जब तक कि उसने एक विशिष्ट खुराक का परीक्षण पहले की तुलना में दोगुना बार न कर लिया हो, और फिर ही अपने अनुमान को अपडेट करता है।
- फॉरगेटिंग: यह उस विशिष्ट खुराक के पुराने डेटा को फेंक देता है और केवल नए बैच को देखता है।
- शोर जोड़ना: यह उस नए बैच के औसत में गणना किया गया "स्टैटिक" (Laplace noise) जोड़ता है।
यह स्मार्ट क्यों है: केवल तभी अपडेट करने से कि जब सैंपल साइज दोगुना हो जाए और केवल नवीनतम बैच को देखने से, यह हर एक डेटा पॉइंट पर शोर जोड़ने की आवश्यकता को टाल देता है (जो बहुत अधिक होगा)। यह प्रति बैच केवल एक बार "प्राइवेसी टैक्स" चुकाता है, जिससे यह बहुत अधिक कुशल हो जाता है।

"एडाप्टिव मैनेजर" के दो संस्करण

लेखकों ने इस मैनेजर के दो संस्करण बनाए:

संस्करण A (AdaP-TT): एक अच्छा जनरल (generalist)। यह तब अच्छा काम करता है जब प्राइवेसी बहुत सख्त नहीं होती है।
संस्करण B (AdaP-TT):* "प्रो" संस्करण। जब प्राइवेसी अत्यंत सख्त होती है ("हार्ड मोड"), तो संस्करण A संघर्ष करने लगता है। संस्करण B भारी शोर के हिसाब से अपनी आंतरिक गणित को बदल देता है, जिससे यह अत्यधिक मामलों में संस्करण A की तुलना में बहुत तेज़ी से सबसे अच्छी खुराक खोज पाता है।

निष्कर्ष

यह शोध पत्र डॉक्टरों, इंजीनियरों और डेटा वैज्ञानिकों के लिए एक मानचित्र की तरह है जिन्हें संवेदनशील उपयोगकर्ता डेटा के आधार पर निर्णय लेने की आवश्यकता होती है।

पहले: उन्हें यह नहीं पता था कि गोपनीयता की रक्षा के लिए उन्हें कितने अतिरिक्त परीक्षण करने की आवश्यकता होगी।
अब: उनके पास एक नक्शा है जो कहता है: "यदि आपको इतनी गोपनीयता चाहिए, तो उम्मीद करें कि आपको X अधिक लोगों का परीक्षण करना होगा।"
सबसे अच्छी बात: उन्होंने उन्हें सटीक उपकरण (एल्गोरिदम) भी दिए हैं, जिससे वे इसे यथासंभव कुशलता से कर सकें, यह सुनिश्चित करते हुए कि वे उन व्यक्तियों की गोपनीयता से समझौता किए बिना डेटा से सीख सकें जिन्होंने डेटा प्रदान किया है।

संक्षेप में: आप अपना काम भी कर सकते हैं (सबसे अच्छा विकल्प खोज सकते हैं) और अपनी गोपनीयता भी सुरक्षित रख सकते हैं (राज छुपा सकते हैं), लेकिन आपको यह तय करना होगा कि आप कितना समय और प्रयास खर्च करने को तैयार हैं। यह शोध पत्र बताता है कि वह कीमत कितनी है और आप उसे कुशलतापूर्वक कैसे चुका सकते हैं।

यहाँ "Differentially Private Best-Arm Identification" (Azize et al. द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र फिक्स्ड-कॉन्फिडेंस (FC) सेटिंग के भीतर बेस्ट-आर्म आइडेंटिफिकेशन (BAI) समस्या को संबोधित करता है, जिसे डिफरेंशियल प्राइवेसी (DP) बाधाओं के साथ जोड़ा गया है।

संदर्भ: FC-BAI में, एक एजेंट $K$ अज्ञात रिवॉर्ड डिस्ट्रीब्यूशंस (आर्म्स) के साथ इंटरैक्ट करता है ताकि कम से कम $1-\delta$ की प्रायिकता के साथ उच्चतम माध्य ( $a^*$ ) वाले आर्म की पहचान की जा सके। लक्ष्य इस विश्वास (confidence) को प्राप्त करने के लिए आवश्यक सैंपल कॉम्प्लेक्सिटी (पुल की संख्या $\tau_\delta$ ) को कम करना है।
प्राइवेसी मॉडल: लेखकों ने दो अलग-अलग ट्रस्ट मॉडल का अध्ययन किया है:
1. $\epsilon$ -लोकल DP (LDP): उपयोगकर्ता केंद्रीय क्यूरेटर पर भरोसा नहीं करते हैं। प्रत्येक उपयोगकर्ता अपने स्वयं के रिवॉर्ड को एल्गोरिदम को भेजने से पहले उसे विचलित (perturb) करता है।
2. $\epsilon$ -ग्लोबल DP (GDP): उपयोगकर्ता केंद्रीय क्यूरेटर पर भरोसा करते हैं, जिसके पास कच्चे (raw) रिवॉर्ड्स तक पहुँच होती है, लेकिन उसे यह सुनिश्चित करना होता है कि अंतिम आउटपुट (और संभावित रूप से इंटरैक्शन हिस्ट्री) DP का पालन करे।
प्रेरणा: एडेप्टिव क्लिनिकल ट्रायल्स, हाइपरपैरामीटर ट्यूनिंग और यूजर स्टडीज जैसे अनुप्रयोगों में संवेदनशील डेटा शामिल होता है जहाँ कार्यों या रिवॉर्ड्स के अनुक्रम (sequence) को प्रकट करना निजी जानकारी लीक कर सकता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

2.1 लोअर बाउंड्स (सैंपल कॉम्प्लेक्सिटी)

लेखक किसी भी $\delta$ -करेक्ट एल्गोरिदम के लिए अपेक्षित सैंपल कॉम्प्लेक्सिटी पर मौलिक लोअर बाउंड्स व्युत्पन्न करते हैं। एक प्रमुख निष्कर्ष दो प्राइवेसी रिजीम (regimes) का अस्तित्व है:

लो-प्राइवेसी रिजीम (Low-Privacy Regime): जब प्राइवेसी बजट $\epsilon$ बड़ा होता है, तो सैंपल कॉम्प्लेक्सिटी गैर-प्राइवेट लोअर बाउंड (जो कुलबैक-लीब्लर (KL) डाइवर्जेंस द्वारा नियंत्रित है) के समान होती है। प्राइवेसी को "मुफ्त में" प्राप्त किया जा सकता है।
हाई-प्रवेलसी रिजीम (High-Privacy Regime): जब $\epsilon$ $ϵ$ छोटा होता है, तो सैंपल कॉम्प्लेक्सिटी प्राइवेसी बाधाओं द्वारा नियंत्रित होती है।
- $\epsilon$ -LDP के लिए: कठिनाई टोटल वेरिएशन (TV) डिस्टेंस के वर्ग पर निर्भर करती है। लोअर बाउंड में एक विशिष्ट समय $T^*_{TV2}$ शामिल है, जो $\mathcal{O}(\epsilon^{-2} T^*_{TV2})$ के रूप में स्केल करता है। डिस्टिंग्विशेबिलिटी (distinguishability) माप $\min\{KL, c(\epsilon)TV^2\}$ बन जाता है।
- $\epsilon$ -GDP के लिए: कठिनाई टोटल वेरिएशन (TV) डिस्टेंस (वर्ग के बिना) पर निर्भर करती है। लोअर बाउंड में एक विशिष्ट समय $T^*_{TV}$ शामिल है, जो $\mathcal{O}(\epsilon^{-1} T^*_{TV})$ के रूप में स्केल करता है। डिस्टिंग्विशेबिलिटी माप $\min\{KL, \epsilon \cdot TV\}$ है।

लेखक इन बाउंड्स को नवीन सीक्वेंशियल कपलिंग आर्गुमेंट्स और DP के लिए अनुकूलित एक सामान्यीकृत "चेंज-ऑफ-मेजर" लेम्मा का उपयोग करके सिद्ध करते हैं, जो शोरयुक्त (noisy) आउटपुट्स के KL डाइवर्जेंस को अंतर्निहित डिस्ट्रीब्यूशंस के TV डिस्टेंस से जोड़ता है।

2.2 एल्गोरिदम डिज़ाइन

यह शोध पत्र टॉप टू (TT) एल्गोरिदम के वेरिएंट प्रस्तावित करता है, विशेष रूप से TTUCB मेटा-एल्गोरिदम (Jourdan & Degenne, 2024) पर आधारित, जो प्रत्येक चरण में एक "लीडर" और एक "चैलेंजर" आर्म चुनता है।

A. $\epsilon$ -लोकल DP के लिए: CTB-TT

मैकेनिज्म: यह रैंडमाइज्ड रिस्पांस पर आधारित कन्वर्ट-टू-बर्नौली (CTB) एस्टीमेटर का उपयोग करता है।
रणनीति: यह प्रभावी रूप से मूल बैंडिट इंस्टेंस को एक संशोधित बर्नौली इंस्टेंस में बदल देता है जहाँ माध्य (means) प्राइवेसी नॉइज़ द्वारा स्केल किए जाते हैं।
प्रदर्शन: यह एल्गोरिदम एसिम्प्टोटिक रूप से इष्टतम (asymptotically optimal) है। यह गैर-प्राइवेट लिमिट में एक स्थिरांक कारक (2) और हाई-प्राइवेसी लिमिट में (4) तक गैर-प्राइवेट लोअर बाउंड को रिकवर करता है।

B. $\epsilon$ -ग्लोबल DP के लिए: AdaP-TT और AdaP-TT $^\star$
ग्लोबल DP को कुशलतापूर्वक संभालने के लिए, लेखक DAF ( $\epsilon$ ) (डबलिंग-एंड-फॉरगेटिंग) एस्टीमेटर पेश करते हैं।

DAF मैकेनिज्म:
1. डबलिंग (Doubling): केवल तभी माध्य अनुमान अपडेट करता है जब किसी विशिष्ट आर्म के पुल की संख्या दोगुनी हो जाती है।
2. फॉरगेटिंग (Forgetting): एक आर्म के पिछले "फेज" (एपिसोड्स) के अवलोकनों को हटा देता है।
3. नॉइज़ (Noise): वर्तमान फेज के एम्पिरिकल मीन में कैलिब्रेटेड लाप्लास नॉइज़ जोड़ता है।
- महत्व: यह संरचना एल्गोरिदम को यह सुनिश्चित करने की अनुमति देती है कि वह प्राइवेसी लॉस के सीक्वेंशियल कंपोजिशन के बिना $\epsilon$ -GDP को संतुष्ट करे, क्योंकि प्रत्येक फेज स्वतंत्र है।
AdaP-TT (प्लग-इन अप्रोच):
- यह DAF एस्टीमेटर का उपयोग करता है लेकिन चैलेंजर चयन और स्टॉपिंग रूल के लिए गैर-प्राइवेट ट्रांसपोर्टेशन कॉस्ट (KL डाइवर्जेंस पर आधारित) को बनाए रखता है।
- सीमा: हालांकि यह $\delta$ -करेक्ट है, यह विषम (heterogeneous) मीन गैप्स वाले इंस्टेंस के लिए हाई-प्राइवेसी रिजीम में उप-इष्टतम (sub-optimal) है। यह लोअर बाउंड से मेल करने में विफल रहता है क्योंकि यह ट्रांसपोर्टेशन कॉस्ट में प्राइवेसी नॉइज़ की विशिष्ट संरचना को ध्यान में नहीं रखता है।
AdaP-TT $^\star$ (अनुकूलित अप्रोच):
- नवाचार: यह प्राइवेसी बजट $\epsilon$ को स्पष्ट रूप से शामिल करने के लिए ट्रांसपोर्टेशन कॉस्ट और स्टॉपिंग थ्रेशोल्ड को संशोधित करता है।
- मैकेनिज्म: ट्रांसपोर्टेशन कॉस्ट $W^{G,\epsilon}_{a,b}$ एक क्लिप्ड मीन गैप $\min\{\epsilon/2, \Delta\}$ का उपयोग करता है, जो ग्लोबल सेटिंग के लिए प्राप्त लोअर बाउंड को दर्शाता है। स्टॉपिंग थ्रेशोल्ड को भी "मीन-अवेयर" बनाने के लिए अनुकूलित किया गया है।
- प्रदर्शन: यह एल्गोरिदम हाई-प्राइवेसी रिजीम में एसिम्प्टोटिक रूप से इष्टतम (एक छोटे मल्टीप्लिकेटिव कॉन्स्टेंट, जैसे 48, तक) प्राप्त करता है, जो प्राप्त लोअर बाउंड से मेल खाता है। यह $\epsilon \to 0$ होने पर AdaP-TT से बेहतर प्रदर्शन करता है।

3. मुख्य योगदान (Key Contributions)

मौलिक सीमाएँ (Fundamental Limits): दोनों $\epsilon$ -LDP और $\epsilon$ -GDP के तहत FC-BAI में सैंपल कॉम्प्लेक्सिटी के लिए टाइट लोअर बाउंड्स का पहला व्युत्पन्न। यह कार्य पहचान करता है कि हाई-प्राइवेसी रिजीम में KL डाइवर्जेंस के स्थान पर TV डिस्टेंस (और उसका वर्ग) प्राकृतिक मेट्रिक है।
दो रिजीम: लो-प्राइवेसी (KL-डोमिनेटेड) और हाई-प्राइवेसी (TV-डोमिनेटेड) के बीच संक्रमण का कठोर लक्षण वर्णन।
एल्गोरिद्मिक समाधान:
- CTB-TT: रैंडमाइज्ड रिस्पांस का उपयोग करने वाला एक इष्टतम LDP एल्गोरिदम।
- DAF एस्टीमेटर: कंपोजिशन कॉस्ट से बचने के लिए डबलिंग और फॉरगेटिंग का उपयोग करने वाला एक नवीन प्राइवेट मीन एस्टीमेटर।
- AdaP-TT $^\star$ : हाई-प्राइवेसी रिजीम में $\epsilon$ -GDP के लिए एसिम्प्टोटिक ऑप्टिमलिटी प्राप्त करने वाला पहला एल्गोरिदम, जो ट्रांसपोर्टेशन कॉस्ट को प्राइवेसी बजट के अनुसार अनुकूलित करता है।
अनुभवजन्य सत्यापन (Empirical Validation): बर्नौली इंस्टेंस पर व्यापक प्रयोग पुष्टि करते हैं कि दो रिजीम वास्तव में मौजूद हैं और हाई-प्राइवेसी सेटिंग्स में AdaP-TT $^\star$ , मौजूदा बेसलाइन्स (जैसे DP-SE) और प्लग-इन अप्रोच (AdaP-TT) की तुलना में श्रेष्ठ है।

4. परिणाम (Results)

लोअर बाउंड्स:
- LDP: $E[\tau_\delta] \gtrsim \max(T^*_{KL}, \epsilon^{-2} T^*_{TV2})$ .
- GDP: $E[\tau_\delta] \gtrsim \max(T^*_{KL}, \epsilon^{-1} T^*_{TV})$ .
अपपर बाउंड्स (Upper Bounds):
- CTB-TT: LDP लोअर बाउंड से एक स्थिरांक कारक (लिमिट $\epsilon \to 0$ होने पर 4 है) तक मेल खाता है।
- AdaP-TT: लो-प्राइवेसी रिजीम में 16 के कारक तक गैर-प्राइवेट बाउंड से मेल खाता है, लेकिन हाई-प्राइवेसी रिजीम में उप-इष्टतम है।
- AdaP-TT $^\star$ : हाई-प्राइवेसी रिजीम में GDP लोअर बाउंड से एक स्थिरांक कारक (लिमिट $\epsilon \to 0$ होने पर 48) तक मेल खाता है।
अनुकूलन क्षमता (Adaptivity): प्रस्तावित एल्गोरिदमों को केवल $O(K \log^2(T^*_{KL} \log(1/\delta)))$ राउंड्स की एडैप्टिविटी (बैचेस) की आवश्यकता होती है, जो उन्हें व्यावहारिक बनाती है जहाँ बार-बार संचार महंगा होता है।

5. महत्व (Significance)

यह शोध पत्र रेजिरेट मिनिमाइजेशन (regret minimization) से आगे बढ़कर प्राइवेसी के तहत बेस्ट आर्म आइडेंटिफिकेशन की ओर बढ़कर साहित्य के एक महत्वपूर्ण अंतर को भरता है।

सैद्धांतिक प्रभाव: यह स्थापित करता है कि BAI में "प्राइवेसी की लागत" रेजिरेट मिनिमाइजेशन से मौलिक रूप से भिन्न है, जो केवल KL डाइवर्जेंस के बजाय टोटल वेरिएशन डिस्टेंस पर निर्भर करती है। यह हाई-प्राइवेसी रिजीम के लिए पहला मैचिंग अपर और लोअर बाउंड प्रदान करता है।
व्यावहारिक प्रभाव: प्रस्तावित एल्गोरिदम (विशेष रूप से AdaP-TT $^\star$ ) प्राइवेसी-प्रिजर्विंग एडेप्टिव प्रयोगों (जैसे क्लिनिकल ट्रायल, A/B टेस्टिंग) के लिए एक व्यावहारिक ढांचा प्रदान करते हैं जहाँ लक्ष्य केवल संचयी हानि (cumulative loss) को कम करना नहीं, बल्कि इष्टतम उपचार या पैरामीटर की पहचान करना है। "डबलिंग-एंड-फॉरगेटिंग" तकनीक अत्यधिक नॉइज़ संचय के बिना प्राइवेसी बजट को प्रबंधित करने के लिए एक मजबूत तरीका प्रदान करती है।