该论文研究差分隐私下单调统计量的高效估计算法。单调统计量指随着新观测数据增加而单调变化的统计量（如分位数、累积分布函数等）。传统方法采用子采样-聚合（subsample-and-aggregate）框架：将数据集分成多个子块，分别计算统计量，再用差分隐私机制聚合结果。该方法适用性广但样本效率低下。本文针对单调统计量提出改进算法，在样本复杂度上节省了因子t（t>0为可调参数），但运行时间增加了e^t倍。通过查询复杂度下界证明该算法本质最优。应用案例包括私有特征值估计、私有损失估计以及高维模型中单参数（如线性回归系数）的私有估计。实验表明新算法在保持同等隐私保障下需更少样本，适合数据稀缺场景。

该论文研究了差分隐私（DP）中的广义私有测试问题，该问题由 Liu 和 Talwar 在 STOC 2019 中提出。给定一个数据集 X 和一个序列的黑盒 ε_t-DP 机制 M_t，分析者需要以 DP 方式接受第一个成功概率 p_t = Pr[M_t(X)=+1] 超过给定阈值 p^* 的机制。准确度由 p^* 和拒绝阈值 bar{p} 之间的间隙衡量，要求高概率下判断正确。为了提升此项任务的样本复杂度和精度，论文引入了广义阈值机制（GTM）。GTM 是纯 ε-DP 机制，可以处理任意 (ε_t, δ_t)-DP 机制序列，并实现了近最优的精度和样本复杂度下界。通过 GTM，作者给出了从持续观察（CO）设置到批处理设置的 DP 优化黑盒归约，首次为多种最大化问题（如子模最大化）提供了 DP-CO 算法。此外，GTM 允许自适应选择接受阈值 p_t^*，解决了先前工作中（如 Papernot 和 Steinke, ICLR 2022）用于超参数优化的挑战。论文主要贡献包括：提出了 GTM 算法，证明了其近最优性，建立了 CO 到批处理的归约，并展示了广义私有测试在自适应阈值选择方面的灵活性。适合对差分隐私理论、算法设计以及私有优化感兴趣的研究人员阅读。