本文针对本地差分隐私（LDP）下数值数据收集中的一个核心难题：传统LDP机制通常需要预先定义数据域（即数值的取值范围），但在实际应用中该范围往往未知。若预设范围过窄，超出范围的值会被截断，造成信息丢失；若预设范围过宽，则扰动阶段会加入过多噪声，降低数据的可用性。为此，作者提出了一种自适应的LDP框架，能够在无需先验知识的情况下动态估计并调整数据域。具体方法为：每个用户发送两条信息——其扰动后的数值数据，以及一个经过隐私保护的信号，用于指示原始值是否被当前数据域截断。通过聚合这些信号，所提出的自适应截断界（ABC）方法迭代调整数据域，使其贴合潜在的数据分布。理论分析证明了所估计的数据域能够收敛到合适的区间。实验评估表明，该框架在多个数据集和多种底层LDP机制下显著提升了数值数据收集的质量；同时，实验也验证了估计范围在实际中能成功收敛，并通过全面的消融研究证明了方法对超参数具有鲁棒性。论文适合对差分隐私、隐私保护数据收集和自适应算法感兴趣的研究者、数据平台设计者及隐私工程师阅读。

该论文是迄今为止最大规模的Android平台私人信息收集（PIC）研究。研究者利用某流行移动安全产品用户提供的匿名化数据集，分析了2018年至2019年间21个月内1730万用户安装的210万款独特应用所产生的敏感信息流。研究发现，87.2%的设备至少向5个不同域名发送了私人信息，且不同地区的参与者（如亚洲与欧洲）对信息类型有不同偏好。美国（占总流量的62%）和中国（7%）是收集私人信息最多的国家。研究结果揭示了数据监管存在的问题，并鼓励政策制定者进一步规范私人信息的使用和共享，确保可问责性。该研究的核心贡献在于提供了大规模、跨地域的实证数据，为隐私保护政策提供了重要参考。