CSE660的课件，这节是讲zero-Concentrated DP的。
$\delta$的作用有个三个：
- DP计算中的失败的概率
- 高级组合定理中，当回答n个queries时，随着$\varepsilon$的增长，用来得到一个更优的bound？（高级组合定理不是需要k-fold adaptive嘛，后一个的输入是前一个的输出那种？）
- 用来分析高斯机制
实际上最初引入$(\varepsilon,\delta)$-DP时，是为了解决2和3的。那么有没有一种定义可以考虑到2和3，而不需要1？
高级组合性质中，$k<1/\varepsilon$，也就是说$0<\varepsilon\leq 1$.
重新定义privacy loss如上。
对于$(\varepsilon,\delta)$-DP如上。
随机变量可以通过它的矩(moments)来描述，那么是不是可以bound the moments of the privacy loss.
注意：一阶原点矩就是矩生成函数的一阶导数在0处的取值！
Renyi散度用来衡量两个概率分布接近程度。
第二点看起来可能是用一系列的$\alpha$来衡量相近程度，每一个$\alpha$提供不同的信息（所以CCS16的moments accountant代码里才计算1-32的M的值？）
