本文研究了本地差分隐私（LDP）中的基本估计问题。现有估计方法分为两类：无偏估计方法在LDP下由于添加过多噪声，往往给出不合理结果（如负值或估计值之和与参与用户总数不相等）；而基于最大似然估计（MLE）的方法虽能给出合理结果，但常面临过拟合问题。为了解决这一挑战，作者受高斯混合模型（GMM）启发，提出了一种还原框架。该框架将LDP估计问题转化为混合模型的密度估计问题，通过合并混合模型中权重最小的分量，使EM算法收敛更快，生成更稳健的分布估计。实验表明，该方法在均值估计、分类分布估计和数值分布估计方面均优于现有方法。论文主要贡献包括：提出通用高效的建模框架，适用于多种LDP协议；通过理论分析和实验验证了方法的优越性。适合数据隐私领域的研究人员和工程师阅读。