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。