本论文重新审视了经典的离散拉普拉斯机制（又称几何机制），证明其经过后处理可以展现出两种新的能力：第一，通过后处理可以得到任意次指数函数 f 的简单无偏估计量，这推广了 Calmon 等人最近针对拉普拉斯机制的无偏结果（FORC '25），且适用于离散多变量场景；第二，后处理可以使其输出与具有相同隐私参数的拉普拉斯机制或阶梯机制完全相同的分布。因此，在数据本身离散或可以通过控制 ℓ₁ 敏感性离散化的情况下，离散拉普拉斯机制应优先于拉普拉斯机制和阶梯机制。论文还给出了无偏估计量的方差界限，并与直接对机制输出求 f 的有偏估计量的均方误差进行了对比。尽管在最坏情况下无偏估计量的运行时间是指数级的，但针对一些具有特定结构的常见函数（如线性函数、低度多项式等），该估计量可以在线性或多项式时间内计算。实验部分通过轮廓估计、熵估计以及分布式/联邦数据分析等用例展示了其实际性能，凸显了无偏性在聚合精度中的关键作用。本文适合对差分隐私机制设计、隐私保护数据发布以及需要无偏统计推断的场景感兴趣的读者。