一次性差分隐私置信区间：重采样框架将隐私成本降至对数级

研究者提出一种一次性构建差分隐私置信区间的框架，仅对最终重采样分位数加噪，而非对每次重采样的估计量做隐私化处理。在 m-out-of-n 有放回采样下隐私成本仅为重采样次数 B 的对数级，在无放回子采样下与 B 无关，避免了此前工作中的 √B 因子。该工作已被 NeurIPS 2026 接收，为非渐近高斯差分隐私（GDP）与效用提供保证，覆盖分位数和退化 U 统计量等估计量。