本文研究在边级别差分隐私保护下发布合成图的问题，要求该合成图能近似原始输入图中所有切割的大小。作者提出一种多项式时间的 (ε,δ)-差分隐私算法，对于任意 n 顶点无权重图 G，输出一个非负权重合成图 Ĝ，使得对于任意切割 S，其权重误差以高概率满足 |w_G(S)-w_{Ĝ}(S)| ≤ γ w_G(S) + Õ_{ε,δ,γ}(n^{13/12+o(1)})。该结果改进了 Aamand 等人 (ICML 2025) 的 Õ(n^{5/4+o(1)}) 最坏情况界。技术核心是一组针对有界度图的私有谱工具，其中之一在估计图拉普拉斯算子时达到谱误差 Õ_δ((nd)^{1/4}/√ε)，首次在高度数区域击败了标准的 min{2d, Õ_δ(√n/ε)} 基线。进一步，作者开发了具有更优 n 和 d 依赖性的谱工具用于下游切割近似。结合一种新的边敏感终端切割预言机（在 M 条边的图上具有 Õ(n+(n^2M)^{1/3}) 加法误差），最终得到了 Õ(n^{13/12+o(1)}) 的最坏情况私有切割发布误差。本文贡献在于显著降低了差分隐私图切割近似的误差界限，推动了隐私保护图数据发布的理论进展。适合理论计算机科学、差分隐私和算法设计领域的研究者阅读。