该论文研究的是差分隐私（DP）合成数据生成中的效用保证问题，具体以 1-Wasserstein 距离作为效用度量。背景与核心问题：对定义在 [0,1]^d（d≥2）、样本量为 n 的数据集，已有纯 ε-差分隐私机制所能达到的期望 1-Wasserstein 误差约为 (εn)^{-1/d}，这一速率反映典型的维数灾难。虽然该速率在最坏情况下是最优的，但当数据实际只分布在一个低维集合（低内在维度）上时，这种以环境维度 d 为准的刻画过于悲观，导致隐私-效用折衷被高估、合成数据质量被低估。为此，作者形式化地引入“多尺度填充增长维度”（multiscale packing-growth dimension）k：通过填充数（packing number）随尺度增长的速度来刻画支撑集（support）的几何复杂度，从而用一个可学习的、自适应于数据几何的维度替代环境维度 d。方法上，论文提出 Adaptive Pruned-PMM：一种纯 ε-差分隐私机制，将“隐私化的深度选择”与作者对 He 等人 2023 年提出的 Private Measure Mechanism（PMM）所做的剪枝变体相结合。该机制允许使用更深、更贴合数据几何的层次结构，期望运行时间为 O(d(n+d)log(εn))，在维度 d 与隐私预算 ε 固定时对 n 近似线性，计算开销可控。理论贡献方面：在外部多尺度填充增长条件（维度为 k）下，作者证明对固定的正隐私预算与固定几何，当 n 增大时期望 1-Wasserstein 误差的量级为 (εn)^{-1/k}（k>1）；并在对应的内部填充增长条件下给出下界，说明指数 1/k 在该框架内是紧的（sharp），即无法进一步改进。总体而言，这是一项理论性工作，核心贡献是给出一种能随数据内在维度自适应、并在低维支撑情形下突破维数灾难的 DP 合成数据机制及其匹配的上下界，适合差分隐私理论、隐私保护机器学习、统计发布与高维统计方向的研究者阅读。

该论文研究的是差分隐私合成测度（differentially private synthetic measure）的效用上界问题，属于差分隐私与最优传输/高维统计交叉的理论工作。作者考虑最坏情况数据模型：给定 [0,1]^d 空间中的 n 个点，不假设数据来自任何采样过程或总体分布，目标是发布一个满足 ε-差分隐私的合成测度，并刻画其与经验测度之间的 1-Wasserstein 距离误差。方法上，作者沿用已有的 PrivTree 算法构造自适应二叉划分（adaptive binary partition），再对划分叶子的质量（leaf masses）进行隐私化释放，从而得到合成测度。论文的主要贡献有三点：其一，证明对 d≥2，合成测度的 1-Wasserstein 误差为 Õ_d((εn)^{-1/d})，与已知 minimax 下界相比在忽略对数因子意义下达到最优，说明在最坏情况模型下该误差率不可再本质改进；其二，对 d≥3 且 2<s≤d，若数据集在相关有限尺度 r 上的覆盖数不超过 A·r^{-s}，则期望误差可改进为 Õ_{d,s}((εn)^{-1/s})，即误差率由数据在有限尺度上的内在维度（intrinsic dimension）决定，而非环境维度 d，并且整个过程不需要显式恢复低维流形；其三，作者提出一种平移（shifting）技术，进一步消除了常数对环境维度 d 的指数依赖，使结果在维度较高时不至于因常数爆炸而失去意义。整体而言，这篇论文给出了隐私合成数据在 Wasserstein 度量下的接近最优误差刻画，并把速率从环境维度推进到内在维度层面，同时保持算法层面的简洁性（复用 PrivTree）。适合从事差分隐私理论、合成数据发布、最优传输与高维概率、以及隐私保护数据分析系统设计的读者阅读。