该论文聚焦复杂事件处理（CEP）系统中的隐私保护问题。CEP 引擎从高速事件流中检测模式（如事件序列、时序关联、聚合条件），而现有的隐私保护机制（PPM）通常对整条数据流或单个事件施加统一噪声，限制性过强：隐私预算被平摊到大量与最终模式无关的细节上，导致数据消费者所获得的事件检测结果可用性显著下降。作者提出一种新的隐私保证——模式级差分隐私（pattern-level DP），使隐私强度能够以最终被检测出的模式为单位进行定义、施加与比较，而不再停留在事件或元组层面。基于该定义，论文设计并提出了若干新的模式级 PPM，并系统分析它们在不同信任模型下的行为，包括对上下文知识（例如系统中已部署的查询、模式结构）的依赖与要求。评估基于三个数据集（两个真实数据集、一个合成数据集），结果表明在保持与当前最优 PPM 同等隐私水平的前提下，所提方法能提升数据可用性；论文还通过仿真考察了所提 PPM 在多种实际场景下的性能，并论证计算复杂度不构成部署障碍。该工作适合数据库、流处理与隐私计算方向的研究人员，以及构建 CEP / 流式分析管道的工程师阅读。

差分隐私已成为保护机器学习与统计算法隐私安全的事实标准。虽然已有大量算法致力于在保持同等隐私预算的前提下提升数据效用，但这些方法往往过于复杂或计算效率低下。本文提出了一种新颖且简洁的后处理去噪方法：受经验贝叶斯估计启发，直接对简单加性高斯机制的输出进行降噪处理。该方法仅需将高斯机制的输出作为输入，通过经验贝叶斯估计缩小均方误差。数值实验表明，该简单而强大的方法可显著改善多种统计任务的表现，包括直方图发布、主成分分析和线性回归，其性能甚至优于许多已有的专用隐私保护算法。本文的主要贡献在于提供了一种即插即用、计算高效的通用框架，能够在不改变原有隐私机制的前提下提升数据效用。适合对差分隐私理论、统计数据效用优化感兴趣的研究人员阅读。

局部差分隐私（LDP）作为分布式数据收集的基元，其严格的噪声注入要求常导致数据效用严重下降。传统LDP机制是任务无关的，在所有维度上均匀施加噪声，忽略了不同维度对下游任务的相对重要性。本文提出一种新颖方法，在数据表示的任务相关子空间中减轻噪声。该方法通过下游公共模型的雅可比矩阵识别任务关键子空间，沿这些维度选择性地衰减噪声，并将标准LDP的各向同性噪声重塑为各向异性分布。该方法在保持每维度隐私预算均匀的同时，跨维度异质地调制噪声影响，从而显著提升数据效用。此外，该方法可推广到线性和非线性模型，并能无缝集成现有机制。在CIFAR-10-C（最高严重度等级5的亮度损坏）上的大量实验表明，在ε=7.5时，集成该方法使PrivUnit2和PrivUnitG的效用提升约20%。源代码已公开。