L2灵敏度明显低于L1灵敏度。
向量值拉普拉斯机制需要使用 L1灵敏度，而向量值高斯机制允许使用L1或L2灵敏度。这是高斯机制的一个主要优势。对于L2灵敏度远低于L1灵敏度的应用，高斯机制允许添加更少的噪声。
1.全局敏感度：独立于所查询的实际数据集（适用于相邻的任何选择）
添加行或删除行会导致相邻数据集距离为1，修改行会导致数据集距离为2.
2.局部敏感度：全局敏感度考虑的是任意的数据集，这似乎是悲观的，因为我们将在实际的数据集上运行我们的差分隐私机制，我们难道不应该考虑该数据集的邻居吗？将两个数据集中的一个固定为正在查询的实际数据集，并考虑其所有邻居。
???????将其中一个数据集固定为被查询的数据集（给定的一个数据集）。当全局灵敏度较大时，必须向输出中添加大量的噪声，以实现差分隐私，这可能会严重损害数据效用.所以提出LSD。
?例如，考虑一个数据库，其中的值在0和M>0之间，以及两个相邻的数据库D(0、0、0、0、0、M、M)和D0(0、0、0、0、M、M、M)。设f为中值函数。然后，f(D)=0和f(D0)=0，以及相应的局部灵敏度为LSf(D)=0和LSf(D0)=M（定义）。相应地，如果噪声分别根据0和M进行校准，以计算A(D)和A(D0)，那么它们很容易被对手区分。如果采用局部灵敏度，算法A不满足（?，δ）DP的。为了弥合差距，提出了一个局部灵敏度的光滑上界来确定所添加的噪声的大小。
3.平滑敏感度：当β=0，S(D)成为常数GSf，以满足定义5中的要求。全局灵敏度是LSf上一个简单但可能松散的上界。当β>0时，全局灵敏度是LSf的一个保守上界。LSf可能有多个平滑边界，并且平滑灵敏度是符合定义5的最小边界。
平滑上界考虑的是改变多条记录的最大敏感度，再乘以一个平滑上界函数，这个函数的目的在于做一个惩罚，这个函数一定小于1。
?
?
注意：K代表最多K个条目被修改时的敏感度变化，下图例子K=9，最对9个例子被修改
网上例子：
4.Clip裁剪：这种对距离的特殊定义导致了通常所说的无界差分隐私。
对于将数据集映射到实数的函数，我们可以执行类似的分析。我们将考虑表示常见聚合数据库查询的函数：计数、总和平均值。
具有无限敏感度的查询无法使用拉普拉斯机制使用差分隐私回答，所以提出来一个裁剪clipping，基本思想就是对属性值强制实施上限和下限。
?可以从直方图看出来，上限是90岁，但是这不满足DP，因为边界本身可能会揭示有关数据的某些信息。通常，剪切边界是通过使用数据集的属性来决定的，该属性无需查看数据即可知道（例如，数据集包含的年龄可能介于 0 和 125 之间），或者通过执行差分隐私查询来评估剪切边界的不同选择。
差分隐私查询：通过将下限设置为0，然后不断向上增加上限，直到查询的输出停止更改。尝试计算0到100的clip边界年龄总和，添加噪声。在upper=80时候变化不大，随意上限可以选择80.
这种方法允许我们使用少量查询测试大量可能的边界，但代价是确定完美边界的精度较低。
随着上限变得非常大，噪声将开始淹没信号。
请注意，对于最大的裁剪参数，总和会剧烈波动！关键是要寻找图形中相对平滑（意味着低噪声）且不增加（意味着裁剪边界足够）的区域。