本文提出了一种新的差分隐私（DP）机制——抖动高斯机制（Dithered Gaussian Mechanism），作为传统离散高斯机制的替代方案。与离散高斯机制直接离散化噪声分布不同，抖动高斯机制通过后处理高斯机制来离散化私有输出，从而直接继承标准高斯机制的隐私保证，同时避免了因有限精度浮点数输出带来的安全漏洞。论文证明了该机制在随机性上高效：通过直接采样离散输出值，用于隐私的关键高质量随机位数可以显著减少，并且与噪声水平无关。具体地，随机性被分为两个来源：高质量源用于隐私关键的采样步骤，而高性能公开源（可能被攻击者知晓）则提供随机离散化所需的额外随机性。这种分离使得可以在不显著损失性能的情况下使用密码学安全的随机数。作为应用，论文研究了DP-SGD模型训练，并展示使用密码学安全噪声生成以减少浮点漏洞暴露，仅带来适度的实践开销。该工作主要贡献在于：提出一种新颖的抖动高斯机制，兼具隐私保证和随机性效率；通过随机源分离实现密码学安全噪声生成的实际可行性；实验验证了在DP-SGD中的有效性。适合从事差分隐私、机器学习隐私保护的研究者和工程师阅读。

本文研究持续观察下私有化发布k维向量更新的问题。初始向量为零向量，在时间点t_i上通过添加x^{(i)}进行更新，其中t_i∈[T]，x^{(i)}在k维单位球B_k内。两个数据集被认为是相邻的，如果它们的对称差大小不超过1。持续发布需要在每个时间步t=1,...,T输出累加和A^{(t)} = ∑_{i: t_i ≤ t} x^{(i)}。经典方法可以O(kT)时间、polylog(T)噪声幅度释放近似值。本文考虑每个时间步仅需发布A^{(t)}的子集，提出一种快速高斯机制，能够在常数时间内采样噪声向量中任意指定条目，同时精确复制二叉树机制下高斯噪声的分布。该改进基于布朗桥构建的新数据结构，突破了已知O(log T)时间界限。文章展示了两个数据管理应用：1) 正交范围计数查询的动态数据结构，在隐私/准确性/空间权衡上优于先前结构；2) 连接大小估计，同时改进了高概率界。本文适合对差分隐私、数据流算法和数据结构设计感兴趣的研究者。

本文针对满足 (ε, δ)-差分隐私的标量实值查询函数，设计了一类加性噪声机制，特别关注中低隐私保护水平（即ε较大或δ较宽松）的场景。作者提出的“混合机制”（mixture mechanisms）通过混合多个高斯分布来构造噪声分布，这些高斯分布具有相同的方差，但均值不同，并通过凸组合的方式调整混合权重。具体而言，该分布可以解释为零均值高斯（如分析高斯机制中使用的）与若干均值依赖于查询敏感度的高斯分布的凸组合。论文推导了实现 (ε, δ)-DP 所需方差的紧条件，并给出了高效算法计算这些方差。与广泛使用的分析高斯机制相比，混合机制在期望噪声幅值（ℓ1损失）和方差（零均值分布的ℓ2损失）上均有显著降低。在驱动本设计的低隐私保护水平下，该机制接近于最优，几乎消除了分析高斯机制的全部最优性缺口。该研究为差分隐私的噪声注入提供了一种新的理论框架，适合对差分隐私理论、隐私保护数据发布感兴趣的研究人员和工程师阅读。