该论文研究在本地差分隐私（LDP）约束下进行二元假设检验的最优机制设计问题。具体场景是：每个观测数据从大小为 k 的有限字母表中抽取，服从两个已知分布 P0 或 P1 之一，先通过一个 ε-本地差分隐私机制 Q 进行私有化，再基于私有化后的输出推断原始数据来自哪个分布。论文以 f-散度（包括总变差、KL散度、hockey-stick散度等）衡量两个输出分布之间的差异，以此作为检验效用的度量。此前的工作虽然建立了最优机制的结构性质，但仅能给出指数时间复杂度的算法。该论文证明了在任意 ε 和任意 f-散度目标下，将字母表按似然比排序后，存在一个最优机制将排序后的字母表划分为连续块，并对块标签施加随机响应（Randomized Response）。作者将这类机制命名为“排序-划分-随机化（SPR）机制”。基于这一刻画，论文进一步提出了一种精确的动态规划算法，能够在 O(k^3) 时间内计算最优机制，并且通过限制输出数量为 ℓ 可将复杂度降至 O(ℓk^2)。该结果使得在全隐私预算范围内（而非仅渐近隐私体制下）高效计算并刻画精确最优机制成为可能。主要贡献在于：1) 揭示了 LDP 下二元假设检验最优机制的简洁结构；2) 给出了多项式时间算法，解决了此前方法计算代价过高的问题；3) 提供了完整的理论分析和实验验证（尽管摘要未提实验细节）。适合对差分隐私、信息论、统计推断理论感兴趣的研究人员阅读。

该论文研究了在差分隐私约束下，使用e值进行假设检验时的最优速率问题。E值作为一种灵活的工具，近年来在允许任意有效和自适应数据分析中受到广泛关注，其应用常涉及隐私或敏感数据。作者提出了一个核心问题：给定两个分布P和Q，在满足ε-差分隐私的e值检验中，最大化e-power（即检验功效）的最优速率是多少？论文给出了该问题的特征描述，并提出了一个达到最优速率的算法。在序列设置中，当观测值逐个到达且分析师选择何时停止时，作者给出了任何私有e-process的停止时间的匹配上下界。数值实验证实了算法的实用性，在多种序列测试问题和隐私水平下，该算法所需的数据量少于近期提出的DP-SPRT方法。本研究为差分隐私假设检验提供了理论最优性和实用算法，适用于需要隐私保护的统计推断场景。